本文原创，著作权归WGrape所有，未经授权，严禁转载
一. 前言
随着GPT模型的问世，大语言模型（LLM）时代已经来临。LLM的出现，使得人工智能在语言处理方面的能力得到了极大的提升。Langchain作为一个面向后端开发者的框架，旨在帮助开发者快速上手并利用LLM开发出强大的应用程序。本教程将为您提供一份全面的指南，帮助您快速掌握Langchain的使用方法！
二. 基础介绍
1. 什么是Langchain
Langchain是一个基于大语言模型的应用开发框架，随着社区的快速成长，它现在已不仅仅是一个开发框架，更多的是一个LLM应用的基建工程，提供从开发到上线整个闭环流程的全程支持。
所以当提到Langchain的时候，需要知道它起初只是一个比较简单的LLM应用开发框架，只是后来社区成长后，出现了一系列Langchain命名的项目，它们共同组成了现在的Langchain社区。
2. Langchain的核心组成
(1) 四大部分
Langchain作为一个LLM应用的基建工程，整体是非常庞大的，从底向上主要分为四个部分
- LangChain Lib 库 ：主要包括core/community/experimental等Python库，源码位置 langchain-ai/langchain/libs/
- LangChain Template 模板库 ：主要包括各种可参考和借鉴的LLM生产级别应用，源码位置 langchain-ai/langchain/templates
- LangServe REST服务支持 ：主要用于将LLM应用部署为REST服务，源码位置 langchain-ai/langserve
- LangSmith 开发者平台 ：主要包括LL应用从开发、测试、部署、运维于一体的Devops平台
(2) LangChain Lib结构
LangChain Lib从底向上主要包括LangChain-Core/LangChain-Community/LangChain(本身)三大部分
- LangChain-Core ：LangChain-Core是整个LangChain生态的抽象，比如LangChain Expression Language（LCEL） language models, document loaders, embedding models, vectorstores, retrievers等模块的抽象，源码位置 langchain-ai/langchain/libs/core
- LangChain-Community ：LangChain-Community是对Core层抽象的实现，比如对LangChain Expression Language（LCEL） language models, document loaders, embedding models, vectorstores, retrievers等模块抽象的实现，源码位置 langchain-ai/langchain/libs/community
- LangChain ：对LangChain-Community部分进行整合和适配，就构成了LangChain这个单一项目。只通过这一个LangChain项目就可以快速构建LLM应用了，它主要由LLMs and Prompts, Chains, Data Augmented Generation, Agents, Memory组成。源码位置 langchain-ai/langchain/libs/langchain
(3) 其他部分
这里会简单概述下LangChain Template、LangServe和LangSmith模块的应用场景。
- LangSmith ：当一个LLM应用越来越复杂的同时，伴随着的底层实现也越来越复杂。比如越来越多的Chain、Agent等模块之间的调用也更加复杂化，这时Debug的关键性就会显现出来，这就是LangSmith出现的原因。它虽然不是必须使用的产品，但是绝对会帮助并提高工作的效率。
3. Langchain Lib中的Langchain
在上文的《LangChain Lib结构》中已介绍了Langchain Lib主要由三层组成，所以了解这个架构设计会对后面的理解非常有帮助。无论官方提供的功能操作有多少，多"混乱"，我们也可以时刻找到正确的方向。
本文会主要讲解Langchain Lib部分，所以后面提到的Langchain单词，需要明确知道它不是指一个庞大的Langchain体系，而是特指Langchain Lib中的Langchain，或者代指整个Langchain Lib部分。
为了更简单的理解，甚至可以把Langchain和Langchain Lib作等同的理解，二者在理解上其实没有太大的区别。
4. 关于安装
可以选择使用一键式多环境管理sparrow服务中已经集成的Langchain环境
(1) 安装Langchain
使用如下命令即可快速安装Langchain。通过python -m site命令查看langchain的安装目录，就会发现它就是上面提到Langchain源码 langchain-ai/langchain/libs/langchain。
pip install langchain
image
所以在官网中可以看到，使用下面源码安装的方式也可以同样成功安装Langchain。
image
(2) 安装Langchain-Community
从上文《LangChain Lib结构》可知Langchain是对Langchain-Community的整合和适配。所以在安装完Langchain后，会自动安装langchain-community，如果需要单独安装，使用下面命令即可
pip install langchain-community
(3) 安装Langchain-Core
从上文《LangChain Lib结构》可知Langchain-Community是对Langchain-Core中抽象的具体实现。所以在安装完Langchain后，会自动安装langchain-core，如果需要单独安装，使用下面命令即可
pip install langchain-core
(4) 安装Langchain Lib的其他部分
截止2024年2月份，可以看到在Lib中有新增的一些模块
- experimental ：实验模块，使用pip install langchain-experimental命令安装
- cli ：命令行模块，使用pip install langchain-cli命令安装
image
(5) 安装LangServe和LangSmith
LangSmith SDK模块在安装完Langchain后也会自动安装，如果需要单独安装，请使用如下命令
pip install langsmith
LangServe模块只有在安装完Langchain CLI后才会自动安装（注意不是Langchain），如果需要单独安装，请使用如下命令
bash
# 同时安装客户端和服务端
pip install "langserve[all]"
# 仅安装客户端
pip install "langserve[client]"
# 仅安装服务端
pip install "langserve[server]"(6) 安装其他依赖
建议根据如下提示进行安装
bash
# 必须安装
pip install langchain-openai # LLM大语言模型必须使用5. 入门例子
在下面这个例子中，主要分为几个简单的入门例子
- 创建LLM ：使用langchain_openai包中的ChatOpenAI()创建一个LLM大语言模型对象
- 创建Prompt ：使用langchain_core包中的ChatPromptTemplate创建一个Prompt对象
- 创建Output_parser ：使用langchain_core包中的StrOutputParser()创建一个输出处理器
- 使用LCEL语进行链式调用 ：使用或运算符|即可自动实现链式调用（基于ror魔法函数实现），如prompt | llm | output_parser
python
# ==================== 创建LLM并调用 ====================
from langchain_openai import ChatOpenAI
# 1. 使用系统配置的OPENAI_API_KEY环境变量
llm = ChatOpenAI()
# 2. 传递openai_api_key参数
# llm = ChatOpenAI(openai_api_key="")
print(llm.invoke("1+1=?"))
# ==================== 创建一个复杂的Prompt并使用Chain链式调用 ====================
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "You are good at math."),
("user", "{input}")
])
chain = prompt | llm
print(chain.invoke({"input": "1+1=?"}))
# ==================== 创建一个StrOutputParser输出处理器并加入到Chain中 ====================
from langchain_core.output_parsers import StrOutputParser
output_parser = StrOutputParser()
chain = prompt | llm | output_parser
print(chain.invoke({"input": "1+1=?"}))暂时未完...
由于文章篇幅的限制，先告一段落。相信经过上面简单的介绍之后，相信已经可以对Langchain有了初步的理解，下面会着重用最简单的描述、最容易理解的图、最直观的代码来深入讲解Langchain。
暂时未完，请期待下篇文章 《最全面又最浅显易懂的Langchain快速上手教程（下）》