Skip to content

LangChain 开发框架 ​

LangChain 是一个用于构建基于大语言模型(LLM)应用的开发框架,提供链式调用、代理、工具集成等核心能力

官方文档:https://docs.langchain.com/


📋 什么是 LangChain? ​

LangChain 是一个开源框架,旨在简化使用大语言模型(LLM)构建端到端应用的过程。它提供了一套标准化的接口和工具,让开发者能够轻松地将 LLM 与外部数据源、工具和业务逻辑连接起来。

核心特性:

  • 🔗 链式调用:将多个 LLM 调用或操作串联成工作流
  • 🤖 Agent 代理:让 LLM 自主决定使用哪些工具来完成任务
  • 📦 工具集成:内置数十种工具(搜索、数据库、API 等)
  • 📄 文档处理:支持 PDF、Word、网页等多种文档加载与处理
  • 💾 向量存储:集成 Pinecone、Milvus、FAISS 等主流向量数据库
  • 🧩 组件化:模块化设计,各组件可灵活替换和扩展

🏗️ 核心组件架构 ​

┌─────────────────────────────────────────────────────────┐
│                      LangChain                           │
├──────────┬──────────┬──────────┬──────────┬─────────────┤
│  Models  │ Prompts  │  Chains  │  Agents  │   Memory    │
│ (LLM)    │ Templates│ (工作流) │  (代理)  │  (记忆)     │
├──────────┴──────────┴──────────┴──────────┴─────────────┤
│                    数据连接层                             │
│     Document Loaders / Vector Stores / Retrievers        │
├──────────────────────────────────────────────────────────┤
│                    工具集成层                             │
│     Tools / Toolkits / Callbacks / Tracers              │
└──────────────────────────────────────────────────────────┘

🔧 核心模块 ​

1. Models — 模型层 ​

统一的大语言模型调用接口,支持多家供应商:

模型类型代表实现适用场景
LLMOpenAI、Anthropic、Google、HuggingFace文本补全、生成任务
Chat Modelsgpt-4、claude-3、gemini多轮对话、聊天应用
EmbeddingsOpenAI Embeddings、Cohere文本向量化、检索
python
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4", temperature=0.7)
response = llm.invoke("介绍一下 LangChain")
print(response.content)

2. Prompts — 提示词模板 ​

管理和复用提示词,支持动态变量注入:

python
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}专家,请用{style}风格回答问题"),
    ("user", "{question}")
])

chain = prompt | llm
result = chain.invoke({
    "role": "后端开发",
    "style": "简洁专业",
    "question": "如何设计高并发支付系统?"
})

3. Chains — 链式调用 ​

将多个步骤组合成工作流,支持 LCEL(LangChain Expression Language):

python
from langchain_core.output_parsers import StrOutputParser

# LCEL 声明式链式调用
chain = prompt | llm | StrOutputParser()

# 流式输出
for chunk in chain.stream({"question": "什么是 RAG?"}):
    print(chunk, end="")

4. Agents — 智能代理 ​

让 LLM 自主选择工具、规划步骤、完成复杂任务:

python
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.tools import DuckDuckGoSearchRun

tools = [DuckDuckGoSearchRun()]

agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = agent_executor.invoke({
    "input": "今天贵阳的天气怎么样?"
})

5. Memory — 对话记忆 ​

在多轮对话中保持上下文记忆:

python
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

conversation.predict(input="你好,我叫舒松平")
conversation.predict(input="我叫什么名字?")  # 能记住之前的对话

6. Retrieval — 检索增强 ​

集成向量数据库,实现 RAG 检索增强生成:

python
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain.chains import RetrievalQA

vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

result = qa_chain.invoke("支付系统的核心模块有哪些?")

🚀 快速开始 ​

安装 ​

bash
pip install langchain langchain-openai

最小示例 ​

python
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 初始化模型
llm = ChatOpenAI(model="gpt-4", temperature=0)

# 2. 创建提示词模板
prompt = ChatPromptTemplate.from_template(
    "请用简洁的语言回答:{question}"
)

# 3. 构建链
chain = prompt | llm | StrOutputParser()

# 4. 执行
answer = chain.invoke({"question": "什么是 LangChain?"})
print(answer)

📚 生态与扩展 ​

类别代表项目说明
框架LangGraph构建状态化、多参与者的 LLM 应用
部署LangServe将 LangChain 链部署为 REST API
追踪LangSmithLLM 应用的调试、测试与监控平台
模板LangChain Templates开箱即用的应用模板库
社区LangGraph Cloud托管式 Agent 运行平台

📖 学习资源 ​