1.LangChain--初识篇

导言：本文主要介绍langchain出现的原因与背景

一、AI时代下的编程

1.1Vibe Coding

AI时代下，低代码与无代码开发冲上热点，最近Vibe Coding（氛围编程）被人们熟知，其是⼀种依赖⼈⼯智能的计算机编程实践，其核⼼在于：开发者使⽤⾃然语⾔提⽰向针对代码优化的⼤语⾔模型（LLM）描述问题，由 LLM ⽣成软件，从⽽使程序员摆脱编写和调试底层代码的需要。

1.2局限性

• 代码质量与架构的"⿊箱"困境
AI 的⽬标是⽣成功能上可运⾏的代码，但它⽆法理解什么是"优雅"、"可维护"、"可扩展"的代码架构。

• 上下⽂⻓度的"⾦⻥记忆"与知识滞后性
有限的上下⽂窗⼝：即使上下⽂⻓度在不断增⻓，LLM 也⽆法记住并理解⼀个庞⼤项⽬的全部代码。在开发过程中，后期的⼀个需求可能需要修改前期⽣成的代码。AI 由于"忘记"了之前的完整上下⽂，很可能会⽣成与现有架构冲突或重复的代码，导致系统腐化。

知识截⽌与"幻觉"：LLM 的训练数据有截⽌⽇期，它可能⽆法使⽤最新的语⾔特性、库版本或最佳实践。更危险的是，它可能会"幻觉"出⼀些不存在的 API、库函数或参数，⽣成看似正确实则⽆法运⾏的代码，这对开发者甄别能⼒提出了极⾼要求。

• 安全性与可靠性的"隐形地雷"
这是Vibe Coding在企业级应⽤中最致命的弱点。
安全漏洞的⽆声引⼊：AI没有 "安全" 意识。它可能会轻松地⽣成含有 SQL 注⼊、XSS 攻击、硬编码密码、不当的权限设置等安全漏洞的代码。对于安全⾄关重要的系统（如⾦融、医疗），这是⼀个不可接受的⻛险。

可靠性难以保障：⽣成的代码缺乏经过严格测试的可靠性。它可能在⼩规模数据下运⾏良好，但在⾼并发、⼤数据量或边缘案例下表现不稳定甚⾄崩溃。缺乏完善的⽇志、监控和熔断机制，使得线上排查问题变得极其困难

二、AI开发框架

2.1背景

⼤语⾔模型（LLM）如 ChatGPT 的崛起，不仅改变了⼈机交互的⽅式，更彻底重塑了软件开发的游戏规则。如今，构建⼀个 AI 应⽤早已不再是简单地调⽤ API，⽽是需要应对数据处理、模型交互、任务编排和状态管理等复杂挑战。

即使 AI 代码⽣成⼯具（Vibe Coding）⽇益强⼤，但它们⽣成的代码往往只是"能⽤"⽽⾮"优秀"。真正的专业开发者需要理解架构设计、系统权衡与⼯程最佳实践⸺这正是框架学习的核⼼价值。

2.2原则

（1）抽象与封装，如LangChain：封装了与不同 LLM（OpenAI, Anthropic 等）、向量数据库（Chroma, Pinecone）、⼯具（Tools）交互的复杂性。开发者不需要为每个供应商编写不同的 API 调⽤代码。

（2）模块化与可组装性，如LangChain：核⼼概念就是"链"（Chain），它将不同的模块（LLM, Prompts, Tools, Memory,Output Parsers）像乐⾼积⽊⼀样组合起来，构建复杂的 AI ⼯作流。

三、引入原生大模型的问题

（1）引发幻觉问题，比如答非所问，错误诊断或者在代码方面给出错误接口

（2）需要用户实现统一标准的提示词

（3）不同原生模型间切换困难

（4）对自然语言的解析能力弱，⾮结构化输出难以与程序接⼝交互

（5）大模型的训练是有截止日期的，不具备实时性

（6）对于非常专业的知识，模型的内在知识训练的还是不充分

四、LangChain

4.1概念：

为了解决引入原生大模型造成的问题，langchain作为一款AI开发框架应运而生

LangChain 是⼀个⽤于开发由⼤语⾔模型 (LLM) 驱动的应⽤程序的框架。它通过将⾃然语⾔处理（NLP）流程拆解为标准化组件，让开发者能够⾃由组合并⾼效定制⼯作流。

• 组件（Components）：⽤来帮助当我们在构建应⽤程序时，提供⼀系列的核⼼构建块，例如语⾔模型、输出解析器、检索器等。
• ⾃然语⾔处理流程（NLP）：指的是完成⼀个特定 NLP 任务所需的⼀系列步骤。例如，构建⼀ 个"基于公司⽂档的问答机器⼈"的流程可能包括：读取⽂档、分割⽂本、将⽂本转换为向量 （嵌⼊）、存储向量、接收⽤⼾问题、搜索相关⽂本段、将问题和⽂本段组合发送给⼤语⾔模型（LLM）、解析模型输出并返回答案等。

4.2技术特点

4.2.1技术

LangChain 框架的设计精髓在于以链式（Chain）的⽅式整合多个组件
• 向外提供统⼀的模型调⽤：通过抽象化的接⼝⽀持多种⼤语⾔模型（例如 OpenAI GPT-4/5、AnthropicClaude 等）和嵌⼊模型，使开发者可以灵活切换不同模型供应商。
• 灵活的提⽰词管理：提供提⽰词模板（Prompt Templates），⽀持动态⽣成输⼊内容，并可管理 少样本⽰例与提⽰选择策略，以提升模型响应质量。
• 可组合的任务链（Chains）：允许将多个步骤串联成完整流程，如先检索⽂档再⽣成回复，或组合 多次模型调⽤。开发者能够通过⾃定义链实现复杂的任务编排。
• 上下⽂记忆机制（Memory）：⽤于存储多轮对话中的状态信息。LangChain 曾提供多种记忆管理 ⽅案（如对话历史记忆和摘要记忆），以实现连贯的交互体验（注：该功能⽬前已由 LangGraph ⽀持，原有实现已过时）。
• 检索与向量存储集成：⽀持从外部加载⽂档，经分割和向量化处理后存储⾄向量数据库，在查询时 检索相关信息并输⼊⼤语⾔模型，帮助构建检索增强⽣成（RAG）类应⽤。LangChain 兼容多种主 流向量数据库（如 FAISS、Pinecone、Chroma）和⽂档加载⼯具，简化知识库应⽤的开发流程。

4.2.2相关概念

调用LLM一般步骤：

接入并定义大模型 -- 定义消息列表 -- 调用大模型 -- 输出结果

不加LangChain:

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser

# 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 定义消息列表
messages = [
    SystemMessage(content="Translate the following from English into Chinese"),
    HumanMessage(content="my name is Tom!"),
]

# 调用大模型
result = model.invoke(messages)
print(result)

#字符串输出
parser = StrOutputParser()
print(parser.invoke(result))

加上后我们就可以让调用与输出等操作连在一起

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser

# 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 定义消息列表
messages = [
    SystemMessage(content="Translate the following from English into Chinese"),
    HumanMessage(content="my name is Tom!"),
]

# 调用大模型
#字符串输出
parser = StrOutputParser()


# 引入链式操作，将调用和字符串输出连在一起
chain = model | parser
result = chain.invoke(messages)
print(result)

怎么实现的？

Runnable 接⼝

Runnable 接⼝是使⽤ LangChain Components（组件）的基础。

概念说明：

Components（组件）：⽤来帮助当我们在构建应⽤程序时，提供了⼀系列的核⼼构建块，例如语⾔模型、输出解析器、检索器、编译的 LangGraph 图等。

Runnable 定义了⼀个标准接⼝，允许 Runnable 组件：

• Invoked（调⽤）: 单个输⼊转换为输出。

• Batched（批处理）: 多个输⼊被有效地转换为输出。

• Streamed（流式传输）: 输出在⽣成时进⾏流式传输。

• Inspected（检查）: 可以访问有关 Runnable 的输⼊、输出和配置的原理图信息。

• spected（检查）: 可以访问有关 u able 的输⼊、输出和配置的原理图信息。

• Composed（组合）: 可以组合多个 Runnable，以使⽤ LCEL 协同⼯作以创建复杂的管道。

LangChain Expression Language

LangChain Expression Language（LCEL）：采⽤声明性⽅法，从现有 Runnable 对象构建新的Runnable 对象。通过 LCEL 构建出的新的 Runnable 对象，被称为 RunnableSequence ，表⽰可运⾏序列。

# 引入链式操作，将调用和字符串输出连在一起
chain = model | parser
result = chain.invoke(messages)
print(result)

chain = RunnableSequence(first=model, last=parser)

chain = model.pipe(parser)