LangChain框架各组件详解与实践指南

aigonna2025-03-16 18:35

LangChain框架各组件详解与实践指南

LangChain是一个强大的框架，旨在简化使用大型语言模型(LLM)构建应用程序的过程。它提供了一系列标准化组件，使开发者能够轻松地将LLM与各种数据源和工具集成在一起。本报告将深入探讨LangChain的核心组件，并提供实际代码示例。

1. LLMs与Chat Models

LangChain中的模型接口分为两种主要类型：LLMs和Chat Models，它们代表了与大型语言模型交互的两种不同方式。

1. LLMs

LLMs接口用于处理纯文本输入并返回纯文本输出的模型。这是与语言模型交互的最基本形式。

python 复制代码 
from langchain_openai import OpenAI

# 初始化一个基本的LLM
llm = OpenAI(temperature=0)

# 使用LLM进行预测
result = llm.invoke("解释量子计算的基本原理")
print(result)

2. Chat Models

Chat Models是一种更高级的模型形式，它的输入和输出是格式化的聊天消息，而不是纯文本[^7]。这种模式更适合构建对话应用。

python 复制代码 
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 初始化聊天模型
chat = ChatOpenAI(temperature=0)

# 创建消息列表
messages = [
    SystemMessage(content="你是一个有帮助的AI助手"),
    HumanMessage(content="写一个简短的诗歌，主题是春天")
]

# 获取回复
response = chat.invoke(messages)
print(response)

2. Messages

在LangChain中，消息是聊天模型的基本输入和输出单位。LangChain提供了几种不同类型的消息[^6]：

1. 消息类型

  1. AIMessage: 表示AI助手返回的信息
  2. HumanMessage: 表示用户输入的信息
  3. SystemMessage: 用于设定AI的行为规则或背景信息
  4. ChatMessage: 可以自定义角色的通用消息类型
  5. FunctionMessage/ToolMessage: 用于函数调用结果的消息类型
python 复制代码 
from langchain_core.messages import (
    AIMessage,
    HumanMessage,
    SystemMessage,
    ChatMessage,
    ToolMessage
)

# 创建不同类型的消息
system_message = SystemMessage(content="你是一个专业的数据科学家")
human_message = HumanMessage(content="解释一下随机森林算法")
ai_message = AIMessage(content="随机森林是一种集成学习方法...")
custom_message = ChatMessage(role="analyst", content="补充一点关于超参数调优的信息")

# 在对话中使用这些消息
chat = ChatOpenAI()
response = chat.invoke([system_message, human_message])
print(response)

3. Prompts

Prompt是与语言模型交互的核心，LangChain提供了多种工具来管理和优化提示[^14][^1]。

PromptTemplate

PromptTemplate允许创建可重用的文本模板，其中包含可动态插入的变量。

python 复制代码 
from langchain_core.prompts import PromptTemplate

# 定义一个简单的提示模板
template = PromptTemplate(
    input_variables=["product", "review"],
    template="产品：{product}\n评论：{review}\n这个评论的情感是什么？"
)

# 使用模板生成具体的提示
prompt = template.format(
    product="无线耳机",
    review="音质非常好，但电池续航一般"
)
print(prompt)

# 与LLM结合使用
llm = OpenAI(temperature=0)
result = llm.invoke(prompt)
print(result)

ChatPromptTemplate

类似地，ChatPromptTemplate用于创建聊天模型的提示模板：

python 复制代码 
from langchain_core.prompts import ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate

# 创建消息模板
system_template = "你是一个专家{role}"
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)

human_template = "给我解释{concept}，用浅显易懂的语言"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

# 组合成聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

# 格式化提示
formatted_messages = chat_prompt.format_messages(
    role="物理学家",
    concept="相对论"
)

# 使用聊天模型
chat = ChatOpenAI()
response = chat.invoke(formatted_messages)
print(response)



from openai import OpenAI
from langchain import PromptTemplate
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import SystemMessage, HumanMessage
import os

load_dotenv('.env')
# 设置 API Key 和模型参数
llm = ChatOpenAI(
    api_key=os.getenv("apikey"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus"  # 替换为需要的模型名称
)

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是专业blog作者"),  # 这里可以直接用 ("role", content) 形式
    ("human", "{input}"),  # HumanMessage.from_template() 也可以替换为 ("human", "{input}")
])

# 生成填充后的消息
messages = chat_template.format_messages(input="写一篇关于大模型分词原理的文章")
print(messages)

4. Output Parsers

输出解析器帮助将LLM的文本输出转换为结构化的数据格式，使其更易于在应用程序中使用[^3][^9]。

StructuredOutputParser

python 复制代码 
from langchain_core.output_parsers import StructuredOutputParser, ResponseSchema

# 定义响应模式
response_schemas = [
    ResponseSchema(name="answer", description="问题的答案"),
    ResponseSchema(name="source", description="信息的来源")
]

# 创建解析器
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)

# 获取格式说明
format_instructions = output_parser.get_format_instructions()

# 创建包含格式说明的提示
prompt = PromptTemplate(
    template="请尽可能回答用户的问题。\n{format_instructions}\n问题：{question}",
    input_variables=["question"],
    partial_variables={"format_instructions": format_instructions}
)

# 生成提示并获取响应
formatted_prompt = prompt.format(question="巴黎的首都是什么？")
model = OpenAI(temperature=0)
response = model.invoke(formatted_prompt)

# 解析响应
parsed_response = output_parser.parse(response)
print(parsed_response)

PydanticOutputParser

PydanticOutputParser使用Pydantic模型来定义输出结构，提供更强大的数据验证功能[^9]。

python 复制代码 
from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

# 定义输出数据结构
class Joke(BaseModel):
    setup: str = Field(description="笑话的铺垫")
    punchline: str = Field(description="笑话的包袱")

# 创建解析器
parser = PydanticOutputParser(pydantic_object=Joke)

# 创建提示
prompt = PromptTemplate(
    template="请讲一个笑话。\n{format_instructions}",
    input_variables=[],
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 获取响应
formatted_prompt = prompt.format()
model = OpenAI(temperature=0.7)
response = model.invoke(formatted_prompt)

# 解析输出
joke = parser.parse(response)
print(f"铺垫: {joke.setup}")
print(f"包袱: {joke.punchline}")

5. Vector Stores与Retrievers

这些组件用于存储和检索非结构化数据，如文本，使LLM能够访问外部知识[^4][^10]。

Vector Stores

向量存储是一种特殊的数据库，用于存储文本的向量表示，并支持语义搜索。

python 复制代码 
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS

# 创建文档
documents = [
    Document(
        page_content="机器学习是人工智能的一个子领域",
        metadata={"source": "ai-textbook", "page": 15}
    ),
    Document(
        page_content="深度学习是基于神经网络的机器学习方法",
        metadata={"source": "ai-textbook", "page": 42}
    ),
    Document(
        page_content="Python是最流行的编程语言之一",
        metadata={"source": "programming-guide", "page": 7}
    )
]

# 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(documents, embeddings)

# 使用相似度搜索
results = vectorstore.similarity_search("什么是机器学习？", k=2)
for doc in results:
    print(doc.page_content)
    print(doc.metadata)
    print("---")

Retrievers

检索器是向量存储的轻量级包装器，提供标准化接口用于检索文档[^4][^10]。

python 复制代码 
# 从向量存储创建检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})

# 检索相关文档
retrieved_docs = retriever.invoke("人工智能的应用")
for doc in retrieved_docs:
    print(doc.page_content)
    print("---")

# 使用最大边际相关性(MMR)搜索
mmr_retriever = vectorstore.as_retriever(search_type="mmr", search_kwargs={"k": 2})
mmr_docs = mmr_retriever.invoke("编程语言")
for doc in mmr_docs:
    print(doc.page_content)
    print("---")

6. Agents

Agent(智能体)是LangChain的高级组件，它结合了LLM和一系列工具，使模型能够做出决策并执行复杂任务[^8]。

python 复制代码 
from langchain.agents import Tool, initialize_zero_shot_agent
from langchain.memory import ConversationBufferMemory
from langchain_openai import OpenAI

# 定义工具
class WeatherTool:
    def run(self, query):
        # 在实际应用中，这里会调用天气API
        return "今天天气晴朗，温度25°C"

class CalculatorTool:
    def run(self, query):
        # 在实际应用中，这里会解析查询并执行计算
        try:
            return str(eval(query))
        except:
            return "无法计算该表达式"

# 创建工具列表
tools = [
    Tool(
        name="Weather",
        func=WeatherTool().run,
        description="当你需要查询天气信息时使用"
    ),
    Tool(
        name="Calculator",
        func=CalculatorTool().run,
        description="当你需要进行数学计算时使用"
    )
]

# 初始化LLM
llm = OpenAI(temperature=0)

# 创建记忆组件
memory = ConversationBufferMemory(memory_key="chat_history")

# 创建Agent
agent = initialize_zero_shot_agent(
    tools,
    llm,
    memory=memory,
    verbose=True  # 显示Agent的思考过程
)

# 使用Agent
response = agent.run("今天天气怎么样？")
print(response)

response = agent.run("计算23乘以45")
print(response)

7. LangChain Expression Language (LCEL)与Chains

Chains是LangChain中的基本构建块，允许将多个组件组合成一个工作流。LCEL提供了一种声明式语法来创建这些工作流。

python 复制代码 
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 创建简单的翻译应用
# 1. 定义提示模板
prompt = ChatPromptTemplate.from_template(
    "将以下{input_language}文本翻译成{output_language}:\n\n{text}"
)

# 2. 初始化模型
model = ChatOpenAI(temperature=0)

# 3. 定义输出解析器
output_parser = StrOutputParser()

# 4. 使用LCEL创建链
chain = (
    {"input_language": RunnablePassthrough(), 
     "output_language": RunnablePassthrough(), 
     "text": RunnablePassthrough()}
    | prompt 
    | model 
    | output_parser
)

# 5. 运行链
result = chain.invoke({
    "input_language": "中文",
    "output_language": "英语",
    "text": "人工智能正在改变世界"
})

print(result)

8.实际应用：构建简单的问答系统

下面是一个结合多个组件的实际应用示例：

python 复制代码 
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 1. 加载文档
loader = TextLoader("data.txt")  # 替换为实际文件路径
documents = loader.load()

# 2. 分割文档
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
splits = text_splitter.split_documents(documents)

# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(splits, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

# 4. 创建提示模板
template = """根据以下上下文回答问题：

上下文：
{context}

问题：{question}

请提供详细且准确的回答："""

prompt = ChatPromptTemplate.from_template(template)

# 5. 设置模型和输出解析器
model = ChatOpenAI(temperature=0)
output_parser = StrOutputParser()

# 6. 定义检索函数
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

# 7. 构建链
rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | model
    | output_parser
)

# 8. 使用链回答问题
question = "文档中讨论了哪些主题？"
answer = rag_chain.invoke(question)
print(answer)

9. 总结

LangChain提供了一系列强大的组件，使开发者能够轻松构建复杂的LLM应用程序。通过组合这些组件，可以创建各种各样的应用，从简单的问答系统到复杂的智能代理。关键是理解每个组件的功能和相互关系，然后根据具体需求选择和组合适当的组件。

随着LangChain的不断发展，其API可能会有所变化，建议开发者定期查阅官方文档以获取最新信息[^11]。通过实践和探索，你将能够充分发挥这个强大框架的潜力，创建令人印象深刻的AI应用。

10. 参考

  1. langchain model io
相关推荐
Codingwiz_Joy13 分钟前
Day09 -实例：拿到加密密文进行解密
算法·安全·安全性测试
float_六七42 分钟前
双指针算法
算法
BingLin-Liu1 小时前
图论之cruskal算法（克鲁斯卡尔）
数据结构·算法·图论
进取星辰1 小时前
PyTorch 深度学习实战（15）：Twin Delayed DDPG (TD3) 算法
pytorch·深度学习·算法
strive-debug1 小时前
C语言之 条件编译和预处理指令
算法
Sacuki2 小时前
BP神经网络公式推导与代码实现
算法
山登绝顶我为峰 3(^v^)32 小时前
VSCode + CMake
ide·vscode·算法·计算机·编辑器
勇敢滴勇2 小时前
【C++】二叉搜索树（二叉查找树、二叉排序树）详解
开发语言·c++·算法·霍夫曼树
f狐0狸x3 小时前
【蓝桥杯每日一题】3.16
c++·算法·蓝桥杯
周Echo周3 小时前
8、STL中的map和pair使用方法
开发语言·数据结构·c++·考研·算法·leetcode·pat考试
热门推荐
01如何在WPS和Word/Excel中直接使用DeepSeek功能02DeepSeek各版本说明与优缺点分析03本地部署DeepSeek教程（Mac版本）04本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程05从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑06DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具07USC-HAD数据集介绍及仿真实验08DeepSeek RAGFlow构建本地知识库系统09太炸裂了！清华大学deepseek从入门到精通使用手册又出第三版了，《普通人如何抓住DeepSeek红利》（无套路，直接下载）10rv1126交叉编译opencv+ffmpeg+x264