【AI】LangChain快速入门

简介

LangChain是一个用于开发由语言模型驱动的应用程序的框架。它旨在帮助开发者将大型语言模型（LLM）与其他计算资源或知识源连接起来，从而创建更强大、更实用的应用。

核心价值

模块化设计：提供可组合的构建块，简化复杂应用的开发
集成能力：支持多种语言模型、数据存储和外部工具的无缝集成
灵活性：适用于各种应用场景，从简单问答到复杂工作流
效率提升：减少样板代码，让开发者专注于业务逻辑

安装

具体来说，LangChain框架由以下开源库组成：

Langchain-core: 基础抽象和LangChain表达式 (LCEL)。该包包含不同组件的基本抽象以及将它们组合在一起的方法。核心组件的接口，如大型语言模型、向量存储、检索器等在此定义。此处未定义任何第三方集成。
Langchain: 组成应用程序认知架构的链、代理和检索策略。
Langchain-community: 第三方集成。
合作伙伴库（例如 langchain-openai 、langchain-deepseek 等）：一些集成已进一步拆分为自己的轻量级库，仅依赖于 langchain-core。:
LangGraph: 通过将步骤建模为图中的边和节点，构建强大且有状态的多参与者应用程序。与LangChain无缝集成，但也可以单独使用。
LangServe: 将LangChain链部署为REST API
LangSmith: 一个开发者平台，让您调试、测试、评估和监控LLM应用程
Langchain-experimenta: 实验功能的包

安装LangChain核心库

pip install langchain

#集成包
pip install langchain-community

#可选独立三方库查看全部 https://python.langchain.com/api_reference/ 比如
pip install langchain-ollama langchain-milvus
pip install langchain-mcp-adapters

使用示例

复制代码

from langgraph.graph import StateGraph, MessagesState, START, END

def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)
graph = graph.compile()

graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

核心组件介绍

Models（模型）

支持多种语言模型接口：

LLM ：基础文本生成模型（适合一次性对话补全，文本生成等场景）,返回字符串
Chat Models ：对话优化模型（多轮聊天），返回聊天消息
- SystemMessage
- HumanMessage
- AIMessage
- ToolMessage
  
  import { ChatOpenAI } from "langchain/chat_models/openai";
  import { HumanChatMessage } from "langchain/schema";
  
  export const run = async () => {
  const chat = new ChatOpenAI();
  // Pass in a list of messages to call to start a conversation. In this simple example, we only pass in one message.
  const response = await chat.call([
  new HumanChatMessage(
  "What is a good name for a company that makes colorful socks?"
  ),
  ]);
  console.log(response);
  // AIChatMessage { text: '\n\nRainbow Sox Co.' }
  };
Embeddings ：文本向量化模型，返回向量列表
- 在线模型
- 本地模型

提示词模板

LangChain 提供了多种提示词模板（Prompt Template），可以帮助开发者更容易地构建提示词

Prompt Templates：字符串提示模板
ChatPromptTemplates：聊天提示词模板
MessagesPlaceholder：消息占位符

Chains（链）

链（Chain）是LangChain的核心组件之一。通过链技术，可以将多步骤任务整合成清晰的流程，将语言模型调用、数据处理和决策逻辑连接在一起，从而实现复杂的应用需求。链不仅帮助开发者组织逻辑，还能根据特定的业务需求创建定制化的生成流程，使得生成的内容更符合实际使用场景。

常用链

LLMChain：基础模型调用链
Sequential Chains：顺序执行多个链
Router Chains：根据输入路由到不同链
TransformChain：自定义转换链
Document Chains：文档链

LangChain表达式 (LCEL)

LangChain表达式语言（LangChain Expression Language，LCEL）的引入，极大地简化了复杂任务的开发过程，并提升了系统的执行效率。LCEL通过流式处理、异步支持、多任务并行执行等特性，为LangChain的开发者提供了强大且灵活的工具，使得复杂任务的定义与执行变得更加高效。

Memory（记忆）

在构建智能对话系统中，记忆（Memory）模块是LangChain的关键组件之一。它使模型能够记住先前的对话内容，以实现上下文理解和多轮交互。

Agents（智能体）

Tools：代理可使用的函数，执行特定职责的函数。这可以是像:谷歌搜索(Google Search)，数据库查找(Database lookup)，代码REPL，其他链。工具的接口目前是预期具有字符串输入，和字符串输出的函数。
Toolkits：相关工具的集合
Agent Executors：运行代理的框架
为了让智能代理更加强大，我们需要使其迭代，即调用模型多次，直到达到最终答案。这就是 AgentExecutor 的工作。