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 |
|---|---|---|
| LLM | OpenAI、Anthropic、Google、HuggingFace | 文本补全、生成任务 |
| Chat Models | gpt-4、claude-3、gemini | 多轮对话、聊天应用 |
| Embeddings | OpenAI 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 | LangSmith | LLM 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
- 🌐 官方文档:https://docs.langchain.com/
- 📦 PyPI:https://pypi.org/project/langchain/
- 🐙 GitHub:https://github.com/langchain-ai/langchain
- 🎓 教程:LangChain Academy
- 💬 社区:Discord