【AI 大模型】LangChain 框架 ① ( LangChain 简介 | LangChain 模块

文章目录

[一、LangChain 简介](#一、LangChain 简介)
- [1、LangChain 概念](#1、LangChain 概念)
- [2、LangChain 定位](#2、LangChain 定位)
- [3、LangChain 开发语言与应用场景](#3、LangChain 开发语言与应用场景)
- [4、LangChain 核心组件](#4、LangChain 核心组件)
- [5、LangChain 学习路径](#5、LangChain 学习路径)
[二、LangChain 模块](#二、LangChain 模块)
- [1、模型输入 / 输出 ( Models )](#1、模型输入 / 输出 ( Models ))
- 2、提示词模板 ( Prompts )
- 3、索引 ( Indexes )
- 4、链 ( Chains )
- 5、记忆 ( Memory )
- 6、代理 ( Agents )
- [7、工具 ( Tools )](#7、工具 ( Tools ))
- [8、文档加载器 ( Document Loaders )](#8、文档加载器 ( Document Loaders ))
- 9、评估 ( Evaluation )
[三、LangChain 文档](#三、LangChain 文档)
- [1、LangChain 功能模块文档](#1、LangChain 功能模块文档)
- [2、LangChain API 参考文档](#2、LangChain API 参考文档)
- [3、LangChain 适配第三方模型集成包](#3、LangChain 适配第三方模型集成包)
- [4、LangChain 教程指南](#4、LangChain 教程指南)

一、LangChain 简介

1、LangChain 概念

LangChain 是一款专为构建基于大语言模型 ( LLM ) 的应用程序而设计的开源框架 ;

LangChain 可以理解为 " 大模型应用开发工具箱 " , 把和大模型交互、处理数据、连接外部工具的各种能力封装成模块化的组件 , 大模型应用开发者不用从零开始写所有代码 , 借助 LangChain 开发框架就能快速搭建复杂的 AI 应用 ;

LangChain 提供了预构建的代理架构和模型集成 , 可以快速启动 , 并无缝地将 LLM 融入智能体或大模型应用程序 , 借助 LangChain 可以使用不到 10 行代码 , 就可以连接并使用 OpenAI、Anthropic、Google 等大语言模型 ;

下图是 LangChain 开发 Agent 智能体的架构图 ,

每次提问 , 都要将历史对话数据 + 本地 RAG 知识库的数据输出到提示词模板中 , 然后再将拼接好的提示词输入到 LLM 大语言模型中 , 得到最终的结果 ,

LangChain 就是将上述内容封装起来 , 开发者只需要提前配置好大模型和 RAG 知识库 , 即可使用很少的代码 , 实现上述功能 ;

2、LangChain 定位

LangChain 框架的核心价值在于打破单个 LLM 的能力边界 , 原生 LLM ( 大语言模型 ) 只能完成简单的问答、生成任务 , 而 LangChain 通过 " 模块化 " 和 " 可组合性 " , 让开发者能够轻松整合 LLM 与外部数据、工具、知识库 , 构建出具备复杂逻辑、上下文感知、多步推理能力的 AI 应用 ,

如 : 智能客服、代码生成助手、知识库问答系统、自主智能体等 ;

如果把大语言模型 ( LLM , Large Language Model ) 比作汽车的发动机 , 那么 LangChain 就是完整的汽车底盘 + 传动系统 + 控制系统 , LangChain 让 " 发动机 " 能适配不同的 " 车身 " ( 应用场景 ) , 实现更复杂的 " 行驶功能 " ( 业务逻辑 ) ;

3、LangChain 开发语言与应用场景

LangChain 支持 Python 和 JavaScript / TypeScript 双语言开发 , 生态丰富 , 兼容主流大语言模型 LLM ( OpenAI、Anthropic、Google Gemini、开源的 Llama/GLM 等 ) , 是当前 LLM 应用开发的主流框架之一 ;

LangChain 有如下应用场景 :

知识库问答 ( RAG ) : 企业内部文档问答、产品手册问答、法律条文检索 , 核心是 " Indexes + RetrievalQAChain " ;
智能对话机器人 : 多轮上下文对话、个性化推荐 , 核心是 " Memory + ConversationChain " ;
自主智能体 ( AI Agent ) : 自动写代码、数据分析、科研辅助 ( 如调用 PubMed API 检索论文 + 总结 ) , 核心是 " Agents + Tools " ;
文本生成与摘要 : 长文档总结、多文档对比总结、个性化文案生成 , 核心是 " LLMChain + Prompt Templates " ;
代码辅助工具 : 代码解释、bug 修复、自动化测试 , 核心是 " Agents + PythonREPL Tool " ;

4、LangChain 核心组件

LangChain 核心组件 : LangChain 框架有五大核心组件分别是 LangChain ( 基础框架 ) 、LangGraph ( 多智能体编排 ) 、Deep Agents ( 智能体外骨骼 ) 、LangSmith ( 监控平台 ) ;

LangChain ( 基础框架 ) : 智能体系统的 " 操作系统内核 " , 提供统一模型接口与模块化开发基础 ;
- 模型抽象 : 统一接口使用适配集成包连接 OpenAI、Anthropic 等 100 + 模型供应商 , 屏蔽差异 ;
- 提示词工程 : 模板化管理与优化 , 提升输出质量 ;
- 工具集成 : 支持 API、数据库、向量存储等数百种外部服务
- 记忆管理 : 提供多种记忆策略 , 解决 LLM 无状态性
- 文档地址 : https://docs.langchain.com/oss/python/langchain/overview
LangGraph ( 多智能体编排 ) : 运行时编排引擎 , 实现复杂状态管理与任务流控制 ;
- 图结构建模 : 用有向图表示智能体系统 , 支持条件分支、循环和状态持久化
- 多智能体协作 : 让多个 Agent 智能体协同完成复杂任务 , 如 : 研究 -> 分析 -> 报告流程 ;
- 可视化调试 : 直观呈现执行路径 , 便于问题定位 ;
- 文档地址 : https://docs.langchain.com/oss/python/langgraph/overview
Deep Agents ( 智能体外骨骼 ) : 该组件专注长周期复杂任务处理 ;
- 任务规划 : 分解长任务为子目标 , 制定执行策略 ;
- 虚拟文件系统 : 高效管理大输出 , 减少 token 消耗
- 子智能体委托 : 动态创建子 Agent 处理专项任务 , 提升效率 ;
- 文档地址 : https://docs.langchain.com/oss/python/deepagents/overview
LangServe ( 部署服务 ) : 将智能体转化为生产级 REST/gRPC API 的部署平台 , 支持流式输出、批处理和异步调用 , 兼容 FastAPI 生态便于扩展 , 一键部署 , 自动生成文档 ( Swagger/OpenAPI ) ;
- 文档地址 : https://github.com/langchain-ai/langserve
LangSmith ( 监控平台 ) : 统一的可观测性与质量评估中心 ;
- 全链路追踪 : 可视化 LLM 调用、工具使用和状态变化
- 评估与测试 : 提供自动和人工评测机制
- 性能监控 : 分析响应时间、token 使用和错误率 ;
- 文档参考 : https://docs.langchain.com/langsmith/home
- API 参考 : https://docs.langchain.com/langsmith/reference

5、LangChain 学习路径

LangChain 学习路径 :

入门阶段 : 先掌握 Models、Prompts、LLMChain 三个核心模块 , 实现简单的文本生成、问答 ;
进阶阶段 : 学习 Indexes、Memory、RetrievalQAChain , 搭建基础的 RAG 知识库问答系统 ;
高阶阶段 : 学习 Agents、Tools , 构建具备自主决策能力的 AI Agent ;
工程化阶段 : 结合 LangSmith 调试、LangServe 部署 , 实现生产级应用 ;

二、LangChain 模块

LangChain 框架 的架构遵循 " 模块化设计 " , 每个模块解决特定场景的问题 , 且模块间可灵活组合 ;

LangChain 框架的核心价值是模块化组合 " LLM 大语言模型与外部资源 " , 解决原生 LLM 大语言模型 " 无记忆、无工具、无外部数据 " 的问题 ;

在下面介绍的核心模块中 , Models 是基础 , Chains 是核心组合方式 , Agents 是高阶能力 , Indexes 是 RAG 的关键 ;

1、模型输入 / 输出 ( Models )

模型输入 / 输出 ( Models ) : 是 LangChain 的核心层 , 负责与各类 LLM / 嵌入模型 ( Embedding Model ) 交互 , 不包括如下子模块 :

LLMs : 对接大语言模型的基础接口 , 统一不同厂商 ( OpenAI、Anthropic、百度文心等 ) 的 API 调用方式 ; 例如 , 用 ChatOpenAI 调用 GPT-4 , 用 ChatAnthropic 调用 Claude , 开发者无需修改核心逻辑 , 只需要修改配置即可切换模型 ;
Chat Models : 针对对话式 LLM ( 如 GPT-3.5/4 Turbo、Claude Chat ) 的专用接口 , 支持结构化的对话消息 ( 用户消息、助手消息、系统消息 ) ;
Embeddings : 对接文本嵌入模型 ( 如 OpenAI Embedding、BERT、智谱 AI 嵌入模型 ) , 将文本转换为向量表示 , 是知识库问答、文本检索的基础 ;
参考文档 : https://docs.langchain.com/oss/python/langchain/models

下面是最 LangChain 最基本的封装 OpenAI 大模型的代码示例 :

py 复制代码

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.messages import HumanMessage, SystemMessage

# 1. 初始化对话模型
chat_model = ChatOpenAI(
    model="gpt-3.5-turbo",
    api_key="你的OpenAI API密钥",
    temperature=0.7  # 生成随机性 , 0-1之间
)

# 2. 构造对话消息并调用模型
messages = [
    SystemMessage(content="你是一个专业的Python编程助手 , 回答简洁易懂 ; "),
    HumanMessage(content="请解释什么是装饰器？")
]
response = chat_model.invoke(messages)
print(response.content)

# 3. 初始化嵌入模型并生成文本向量
embeddings = OpenAIEmbeddings(api_key="你的OpenAI API密钥")
text = "LangChain是LLM应用开发框架"
vector = embeddings.embed_query(text)
print(f"向量长度 : {len(vector)}")  # OpenAI Embedding输出1536维向量

2、提示词模板 ( Prompts )

提示词模板 ( Prompts ) : 提示词是 LLM 应用的核心 , 但手写提示词易出错、难复用 ; LangChain 的 Prompts 模块提供如下功能 :

Prompt Templates : 提示词模板 , 支持参数化填充 ; 例如 , 定义一个 " 代码解释模板 " , 只需替换 " 代码片段 " 参数即可复用 ;
- 参考文档 : https://docs.langchain.com/oss/python/langchain/messages
Chat Prompt Templates : 针对对话模型的提示词模板 , 适配多轮对话场景 ;
Output Parsers : 将 LLM 的文本输出解析为结构化数据 ( 如 JSON、字典、类对象 ) , 解决 " LLM 输出不可控 " 的问题 ;
- 结构化输出参考文档 : https://docs.langchain.com/oss/python/langchain/structured-output

提示工程 Prompt engineering 参考文档 : https://docs.langchain.com/langsmith/prompt-engineering

3、索引 ( Indexes )

索引 ( Indexes ) : 当 LLM 需要处理外部文档 ( 如 PDF、Word、知识库 ) 时 , Indexes 模块负责将文档转换为 " 可检索 " 的格式 , 核心流程是 :

加载文档 ( Load ) : 通过 DocumentLoaders 加载 PDF、TXT、网页、Excel 等格式的文件 ;
分割文本 ( Split ) : 将长文档分割为短文本块 ( 避免超出 LLM 上下文窗口 ) ;
嵌入文本 ( Embed ) : 将文本块转换为向量 ;
存储向量 ( Store ) : 将文本向量存入向量数据库 ( 如 Chroma、Pinecone、Milvus ) ;
检索文本 ( Retrieve ) : 根据用户问题检索相关文本块 ;

4、链 ( Chains )

Chains 是 LangChain 的 " 灵魂 " , 该模块允许将多个组件 ( LLM、Prompt、检索器等 ) 组合成一个可执行的流程 , 解决 " 单步操作无法完成复杂任务 " 的问题 ;

常见的 Chain 类型 :

LLMChain : 最基础的链 , 将 Prompt Template + LLM 组合 , 实现 " 输入参数 -> 生成提示词 -> 调用 LLM -> 输出结果 " ;
RetrievalQAChain : 检索增强生成 ( RAG ) 的核心链 , 组合 " 检索器 + LLM " , 实现 " 用户提问 -> 检索相关文档 -> 将文档和问题传入 LLM -> 生成基于文档的回答 " ;
SequentialChain : 串行链 , 将多个 Chain 按顺序执行 , 前一个 Chain 的输出作为后一个的输入 ;

5、记忆 ( Memory )

记忆 ( Memory ) : 原生 LLM 没有 " 记忆 " , 无法记住多轮对话的上下文 ; Memory 模块解决这个问题 , 核心模块类型如下 :

ConversationBufferMemory : 简单缓存所有对话历史 ;
ConversationSummaryMemory : 对对话历史进行总结 , 避免上下文过长 ;
ConversationTokenBufferMemory : 按 Token 数限制缓存对话历史 , 适配 LLM 的上下文窗口 ;

参考文档 : https://docs.langchain.com/oss/python/concepts/memory

6、代理 ( Agents )

代理 ( Agents ) : Agents 是 LangChain 的高阶能力 , 让 LLM 大语言模型能 " 自主决策 " , 根据用户问题 , 选择调用哪些工具 ( 如 : 计算器、搜索引擎、代码解释器 ) , 完成多步推理任务 ;

Agent : 决策核心 , 负责判断 " 该调用哪个工具 " " 是否需要继续调用工具 " ;
Tool : 工具接口 , LangChain 内置多种工具 ( Calculator、SerpAPI ( 搜索引擎 ) 、PythonREPL ( 代码执行 ) ) , 也支持自定义工具 ;
Executor : 执行器 , 负责执行 Agent 的决策 , 调用工具并返回结果 ;

参考文档 : https://docs.langchain.com/oss/python/langchain/agents

7、工具 ( Tools )

工具 ( Tools ) : 该模块是 Agents 的基础 , 提供与外部系统交互的接口 ; LangChain 内置工具包括 :

计算类 : Calculator、PythonREPL ;
检索类 : SerpAPI ( 谷歌搜索 ) 、DuckDuckGoSearch ;
文件类 : FileBrowser、CSVLoader ;
API 类 : RequestsTool ( 调用 HTTP 接口 ) ;

开发者也可通过Tool类自定义工具 , 只需实现 func ( 工具逻辑 ) 和 description ( 工具描述 , 供 Agent 判断是否调用 ) ;

参考文档 : https://docs.langchain.com/oss/python/langchain/agents

8、文档加载器 ( Document Loaders )

负责加载外部文档 , 支持几乎所有主流格式 :

文本类 : TXT、Markdown、JSON ;
办公类 : PDF、Word、Excel、PPT ;
网页类 : URL、HTML、Sitemap ;
数据库类 : MySQL、PostgreSQL、MongoDB ;
其他 : Notion、Confluence、GitHub ;

文档加载参考文档 : https://docs.langchain.com/oss/python/langchain/knowledge-base#1-documents-and-document-loaders

适配第三方文档加载模型集成包参考文档 : https://docs.langchain.com/oss/javascript/integrations/providers/all_providers#file-loaders

9、评估 ( Evaluation )

LLM 应用的效果难以量化 , Evaluation 模块提供评估工具 , 支持 :

手动评估 : 人工打分 ;
自动评估 : 用 LLM 自身评估回答质量 ;
基准测试 : 对比不同模型 / 链的效果 ;

langsmith 评估参考文档 : https://docs.langchain.com/langsmith/evaluation-quickstart#evaluation-quickstart

langsmith 部署参考文档 : https://docs.langchain.com/langsmith/deployments

三、LangChain 文档

1、LangChain 功能模块文档

LangChain 功能模块文档 : https://docs.langchain.com/oss/python/langchain/overview , 该文档是 LangChain 框架 Python 语言的总览文档 , 左侧章节标题可以跳转到

安装文档 : https://docs.langchain.com/oss/python/langchain/install ,
快速开始 : https://docs.langchain.com/oss/python/langchain/quickstart

等文档 ;

2、LangChain API 参考文档

LangChain API 参考文档 : 这是 LangChain 开发具体对应的的 Python / JavaScript / TypeScript 语言对应的 API 文档 , 主要介绍 LangChain 和 LangGraph 构建大模型应用程序用到的核心接口 , 每个部分涵盖 LangChain 生态系统中的不同方面 , 使用顶部或左侧的导航栏查看 LangChain 特定模块的文档 ;

Python 语言 API 文档 : https://reference.langchain.com/python/langchain/
JavaScript / TypeScript 语言 API 文档 : https://reference.langchain.com/javascript/index.html

下面是 LangChain 框架的 Agents 开发文档 : https://reference.langchain.com/python/langchain/agents/

3、LangChain 适配第三方模型集成包

LangChain 框架提供了丰富的适配第三方模型的集成包 , 涉及到大语言模型 ( LLMs ) 、聊天模型、检索器、向量数据库、文档加载器等多个类型的 AI 模型 ;

集成包指的是 LangChain Python 生态中专门对接不同 AI 模型服务商的程序模块 , 其核心作用是让开发者不用自己写复杂的 API 调用、参数适配代码 , 只需几行简单代码就能在 LangChain 框架中调用对应服务商的大语言模型 ( LLMs ) 、聊天模型 ( Chat Models ) 等能力 ;

LangChain 框架集成包文档 : https://docs.langchain.com/oss/python/integrations/providers/overview

下面给出一个集成包示例 , langchain-openai 集成包是 LangChain 官方提供的、专门对接适配 OpenAI 生态 ( 包括 OpenAI 官方、Azure OpenAI ) 的集成包 ;

快速调用 OpenAI 的 GPT-3.5/4/4o 等聊天模型、Embedding 嵌入模型 ;
封装了 OpenAI API 的参数 ( 如温度、最大令牌数、上下文窗口 ) , 适配 LangChain 的统一接口 ;
支持流式输出、函数调用 ( Function Calling ) 等 OpenAI 核心特性 , 无需手动处理 API 交互细节 ;

langchain-openai 集成包文档地址 : https://reference.langchain.com/python/integrations/langchain_openai/

langchain-google-vertexai 集成包是 LangChain 官方适配对接 Google Cloud Vertex AI 平台的集成包 ( Vertex AI 是 Google 云的一站式 AI 开发平台 ) ; 文档地址 : https://reference.langchain.com/python/integrations/langchain_google_vertexai/

langchain-ollama 集成包是 LangChain 官方适配对接 Ollama 工具的集成包 ( Ollama 是一款轻量级本地大模型运行工具 , 可一键部署 Llama 3、Phi 3、Mistral 等开源模型 ) , 文档地址 : https://reference.langchain.com/python/integrations/langchain_ollama/

4、LangChain 教程指南

LangChain 教程指南文档 : https://docs.langchain.com/oss/python/learn , 在该文档中提供了一系列教程、概念概述及补充资源 , 借助 LangChain 和 LangGraph 构建功能强大的大模型应用程序 ;

【AI 大模型】LangChain 框架 ① ( LangChain 简介 | LangChain 模块 | LangChain 文档 )