LangChain知识速览
文章目录
- LangChain知识速览
-
- 核心概念
- 核心组件
-
- [Model I/O](#Model I/O)
- Chains（链）
- [Data Connection（数据连接）](#Data Connection（数据连接）)
- Memory（记忆）
- Agents（智能体）
- Callbacks（回调）
- 典型应用场景
- 关键代码模式
- 加载→分割→存储→检索→问答
核心概念
是什么
- 大语言模型应用开发框架
- Python/JS双语言支持
- 链式调用设计哲学
核心优势
- 模块化组件
- 标准化接口
- 生态丰富
核心组件
Model I/O
- Models（模型）
- LLMs（文本补全）
- Chat Models（对话模型）
- Embeddings（嵌入模型）
- Prompts（提示词）
- Prompt Template（模板）
- Few-shot Prompting（少样本）
- Example Selectors（示例选择器）
- Output Parsers（输出解析器）
- PydanticOutputParser
- StructuredOutputParser
- JSON/YAML解析
Chains（链）
- LLMChain（基础链）
- SequentialChain（顺序链）
- RouterChain（路由链）
- TransformChain（转换链）
Data Connection（数据连接）
- Document Loaders（文档加载）
- 文本/PDF/网页/数据库
- Text Splitters（文本分割）
- RecursiveCharacterTextSplitter
- TokenTextSplitter
- Vector Stores（向量存储）
- Chroma/Pinecone/Milvus/FAISS
- Retrievers（检索器）
- similarity_search
- MMR检索
Memory（记忆）
- ConversationBufferMemory（缓冲记忆）
- ConversationBufferWindowMemory（窗口记忆）
- ConversationSummaryMemory（摘要记忆）
- VectorStoreRetrieverMemory（向量检索记忆）
Agents（智能体）
- Agent类型
- Zero-shot ReAct
- Structured Chat
- Conversational
- OpenAI Functions
- Tools（工具）
- 搜索引擎
- 计算器
- API调用
- 自定义工具
- AgentExecutor（执行器）
Callbacks（回调）
- 日志记录
- 流式输出
- 监控追踪（LangSmith）
典型应用场景
RAG（检索增强生成）
- 文档加载→分割→嵌入→检索→生成
Chatbot（对话机器人）
- 多轮对话+记忆管理
Agents（自主代理）
- 工具调用+任务规划
结构化数据提取
- 从非结构化文本提取JSON
关键代码模式
基础链
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run(input)
RAG流程
加载→分割→存储→检索→问答
loader = TextLoader("doc.txt")
docs = loader.load()
splits = splitter.split_documents(docs)
vectorstore = Chroma.from_documents(splits, embeddings)
qa = RetrievalQA.from_chain_type(llm, retriever=vectorstore.as_retriever())
Agent使用
tools = [search, calculator]
agent = initialize_agent(tools, llm, agent="zero-shot-react-description")
agent.run("查询北京天气并计算摄氏度")
生态工具
LangSmith
- 调试追踪
- 性能监控
- 提示词管理
LangServe
- 链部署为API服务
LangGraph
- 构建复杂多智能体工作流