第01章：LangChain使用概述

1、介绍LangChain

1.1 什么是LangChain

LangChain是 2022年10月 ，由哈佛大学的 Harrison Chase （哈里森·蔡斯）发起研发的一个开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。

比如，搭建"智能体"（Agent）、问答系统（QA）、对话机器人、文档搜索系统、企业私有知识库等。

LangChain在Github上的热度变化

https://github.com/langchain-ai/langchain

简单概括

LangChain ≠ LLMs

LangChain 之于 LLMs，类似 Spring 之于 Java

LangChain 之于 LLMs，类似 Django、Flask 之于 Python

顾名思义，LangChain中的"Lang"是指language，即⼤语⾔模型，"Chain"即"链"，也就是将⼤模型与外部数据&各种组件连接成链，以此构建AI应⽤程序。

大模型相关的岗位

应用开发是大模型最值得关注的方向：应用为王！

学习LangChain框架，高效开发大模型应用

1.2 有哪些大模型应用开发框架呢？

截止到2025年7月26日，GitHub统计数据：

LangChain ：这些工具里出现最早、最成熟的，适合复杂任务分解和单智能体应用

LlamaIndex ：专注于高效的索引和检索，适合 RAG 场景。（注意不是Meta开发的）

LangChain4J ：LangChain还出了Java、JavaScript（LangChain.js）两个语言的版本，LangChain4j的功能略少于LangChain，但是主要的核心功能都是有的

SpringAI/SpringAI Alibaba ：有待进一步成熟，此外只是简单的对于一些接口进行了封装

SemanticKernel ：也称为sk，微软推出的，对于C#同学来说，那就是5颗星

1.3 为什么需要LangChain？

问题1：LLMs用的好好的，干嘛还需要LangChain？

在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能"使用"这些模型，还希望能 将它们灵活集成到自己的应用中 ，实现更强大的对话能力、检索增强生成（RAG）、工具调用（Tool Calling）、多轮推理等功能。

LangChain 为更方便解决这些问题，而生的。比如：大模型默认不能联网，如果需要联网，用langchain。

问题2：我们可以使用GPT 或GLM4 等模型的API进行开发，为何需要LangChain这样的框架？

不使用LangChain，确实可以使用GPT 或GLM4 等模型的API进行开发。比如，搭建"智能体"（Agent）、问答系统、对话机器人等复杂的 LLM 应用。

但使用LangChain的好处：

简化开发难度：更简单、更高效、效果更好

学习成本更低：不同模型的API不同，调用方式也有区别，切换模型时学习成本高。使用LangChain，可以以统一、规范的方式进行调用，有更好的移植性。

现成的链式组装：LangChain提供了一些 现成的链式组装 ，用于完成特定的高级任务。让复杂的逻辑变得 结构化、易组合、易扩展

问题3：LangChain 提供了哪些功能呢？

LangChain 是一个帮助你构建 LLM 应用的 全套工具集 。这里涉及到prompt 构建、LLM 接入、记忆管理、工具调用、RAG、智能体开发等模块。

学习 LangChain 最好的⽅式就是做项⽬。

1.4 LangChain的使用场景

学完LangChain，如下类型的项目，大家都可以实现：

|---------------------|----------------------------------|-------|
| 项目名称 | 技术点 | 难度 |
| 文档问答助手 | Prompt + Embedding + RetrievalQA | ★★★ |
| 智能日程规划助手 | Agent + Tool + Memory | ★★★★★ |
| LLM+数据库问答 | SQLDatabaseToolkit + Agent | ★★★★★ |
| 多模型路由对话系统 | RouterChain + 多 LLM | ★★★★★ |
| 互联网智能客服 | ConversationChain + RAG +Agent | ★★★★★ |
| 企业知识库助手（RAG + 本地模型） | VectorDB + LLM + Streamlit | ★★★★★ |

比如：医院智能助手

比如：万象知识库

比如：京东助手

LangChain的位置：

1.5 LangChain资料介绍

官网地址：https://www.langchain.com/langchain

官网文档：https://python.langchain.com/docs/introduction/

API文档：https://python.langchain.com/api_reference/

github地址：https://github.com/langchain-ai/langchain

1.6 架构设计

1.6.1 总体架构图

V0.1 版本

V0.2 / V0.3 版本

图中展示了LangChain生态系统的主要组件及其分类，分为三个层次：架构(Architecture)、组件(Components)和部署(Deployment)。

版本的升级，v0.2 相较于v0.1，修改了⼤概 10 % − 15 % 1 0 \% - 1 5 \% 10%−15% 。功能性上差不多，主要是往稳定性（或兼容性）、安全性上使劲了，⽀持更多的⼤模型，更安全。

1.6.2 内部架构详情

结构1：LangChain

langchain：构成应用程序认知架构的Chains，Agents，Retrieval strategies等 ,构成应⽤程序的链、智能体、RAG。

功能：主包，包含核心功能模块，依赖 langchain-core。

主要子模块：

• LLMs：与语言模型交互的接口（如 OpenAI、Hugging Face）。
• Chat Models：专为对话场景优化的模型接口。
• Memory：管理对话上下文的模块（如 ConversationBufferMemory）。
• Chains：组合提示、模型和其他组件的工作流（如 LLMChain、RetrievalQA）。
• Agents：动态决策和工具调用的模块。
• Tools：外部工具接口（如搜索、计算器）。
  用途：提供构建复杂应用的完整工具集，适合快速开发。

langchain-community：第三方集成

⽐如：Model I/O、Retrieval、Tool & Toolkit；合作伙伴包 langchain-openai，langchain-anthropic等。

功能：社区贡献的扩展模块，包含大量第三方集成和工具。

主要内容：

• 向量存储：支持 Chroma、FAISS、Pinecone 等向量数据库。
• 文档加载器：支持从 PDF、CSV、网页等加载数据。
• 工具：如 Wikipedia、SerpAPI、Arxiv 等。
• 模型集成：支持 Hugging Face、Anthropic、Cohere 等模型。
  用途：扩展 LangChain 的功能，适合需要特定集成或开源替代方案的场景。

langchain-Core：基础抽象和LangChain表达式语言 (LCEL)

功能：提供 LangChain 的核心抽象和基类，是其他模块的基础。

主要组件：

• Runnable：LangChain 的核心执行接口，所有链、代理和工具都基于此抽象。
• PromptTemplate：用于动态生成模型输入的模板，支持字符串和聊天消息格式。
• OutputParser：解析语言模型的输出（如 JSON、列表、结构化数据）。
• Callbacks：用于监控和调试执行过程，支持日志记录、性能分析等。
  用途：定义通用的接口和工具，确保模块之间的兼容性和可扩展性。

小结：LangChain，就是AI应用组装套件，封装了一堆的API。langchain框架不大，但是里面琐碎的知识点特别多。就像玩乐高，提供了很多标准化的乐高零件（比如，连接器、轮子等）

结构2：LangGraph

LangGraph可以看做基于LangChain的api的进一步封装，能够协调多个Chain、Agent、Tools完成更复杂的任务，实现更高级的功能。

结构3：LangSmith

https://docs.smith.langchain.com/

链路追踪。提供了6大功能，涉及Debugging (调试)、Playground (沙盒)、Prompt Management (提示管理)、Annotation (注释)、Testing (测试)、Monitoring (监控)等。与LangChain无缝集成，帮助你从原型阶段过渡到生产阶段。

正是因为LangSmith这样的⼯具出现，才使得LangChain意义更⼤，要不仅靠⼀些API（当然也可以不⽤，⽤原⽣的API），⽀持不住LangChain的热度。

结构4：LangServe

将LangChain的可运行项和链部署为REST API，使得它们可以通过网络进行调用。

Java怎么调用langchain呢？就通过这个langserve。将langchain应用包装成一个rest api，对外暴露服务。同时，支持更高的并发，稳定性更好。

总结：LangChain当中，最有前途的两个模块就是：LangGraph，LangSmith。

LangChain能做RAG，其它的⼀些框架也能做，而且做的也不错，⽐如LlamaIndex。所以这时候LangChain要在Agent这块发⼒，那就需要LangGraph。而LangSmith，做运维、监控。故，⼆者是LangChain⾥最有前途的。

---

2、开发前的准备工作

2.1 前置知识

1、Python 基础语法

变量、函数、类、装饰器、上下文管理器

模块导入、包管理（推荐用 pip 或 conda ）

python入门基础

2、大语言模型基础

了解什么是 LLM、Token、Prompt、Embedding

OpenAI API 或其他模型提供商，如 Anthropic、阿里云百炼、DeepSeek等

通过浏览器或app使用过大模型（比如：豆包、DeepSeek等）

2.2 相关环境安装

1、安装Python或Anaconda

LangChain基于Python开发，因此需确保系统中安装了Python。

方式1 ：直接下载Python安装包。推荐版本为Python 3.10及以上

Python官网：https://www.python.org/

方式2 ：使用包管理工具（如Anaconda）进行安装。通过Anaconda可以轻松创建和管理虚拟环境，为项目提供独立的依赖空间，避免不同项目之间的依赖冲突。

具体操作见 conda安装使用

2、创建虚拟环境

为了保持项目的独立性与环境的干净，建议使用虚拟环境。可以在Anaconda中创建虚拟环境。

具体操作见 《尚硅谷-conda使用指南.md》

验证Python版本：在激活的虚拟环境中，输入以下命令验证Python版本是否正确：

1 python --version 

3、如何下载安装包

比如：安装langchain包

方式1：使用pip指令

基础指令

1 #安装包（默认最新版）  
2 pip install langchain  
3  
4 #指定版本  
5 pip install langchain $\equiv = 0.3.7$ 6  
7 #批量安装（空格分隔）  
8 pip install langchain requests numpy  
9  
10 #升级包  
11 pip install --upgrade langchain  
12  
13 #卸载包  
14 pip uninstall langchain  
15  
16 #查看已安装包  
17 pip list

高级操作

1 #国内镜像加速（解决下载慢）-i：指定镜像源  
2 pip install -i https://mirrors.aliyun.com/pypi/simple/ langchain  
3  
4 #从本地/URL安装：  
5 pip install ./localpackage.whl  
6 pip install https://github.com/user/repo/archive/main.zip

方式2：使用conda指令

1 #安装包（默认仓库）  
2 conda install langchain  
3  
4 #指定频道（如 conda-forge）

5 conda install -c conda-forge langchain $= = 0.3.7$ 6   
7 #更新包   
8 conda update langchain   
9   
10 #卸载包   
11 conda uninstall langchain   
12   
13 #查看已安装包   
14 conda list

conda-forge ：该源⽐官⽅默认渠道更新更快、包更全

建议： 二者最好不好混用，推荐先conda装基础包，后 pip补充的顺序。

检查包来源 1

2 conda list # conda 安装的包显示频道，pip安装的显示 pypi

(pyth310) C:\Users\shkst>conda list # packages in environment at D:\developTools\miniconda3\envs\pyth310: # # Name Version Build Channel 来自于pip 来自于conda _python_abi3_support 1.0 hd8edlab_2 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge aiofiles pypi0 ppi aiohappyeyeballs 2.6.1 pyhd8edlab_0 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge aiohttp 3.12.2 py310h38315fa_0 .......................

4、PyCharm开发环境

PyCharm作为专业的Python IDE，具有强大的代码编辑、调试和版本控制功能。

创建新的工程，并设置Python解释器（选择Anaconda环境）。

1 import langchain 

3 print(langchain.__version__) # 0.3.25 

1 import openai 

2 print(openai.__version__) # 1.81.0 

1 import sys 

#查看python的版本3

4 print(sys.version) # 3.10.17 | packaged by conda-forge | (main, Apr 10 2025, 22:06:35) [MSC v.1943 64 bit (AMD64)] 

3、大模型应用开发

大模型应用技术特点：门槛低，天花板高。

3.1 基于RAG架构的开发

背景：

大模型的知识冻结

大模型幻觉

而RAG就可以非常精准的解决这两个问题。

举例：

LLM在考试的时候面对陌生的领域，答复能力有限，然后就准备放飞自我了。而此时RAG给了一些提示和思路，让LLM懂了开始往这个提示的方向做，最终考试的正确率从 60 % 60 \% 60% 到了 90 % 90 \% 90% ！

何为RAG？

Retrieval-Augmented Generation（检索增强生成）

检索-增强-⽣成过程：检索可以理解为第10步，增强理解为第12步（这⾥的提⽰词包含检索到的数据），⽣成理解为第15步。

类似的细节图：

强调一下难点的步骤：

这些过程中的难点：1、文件解析 2、文件切割 3、知识检索 4、知识重排序

Reranker的使用场景：

适合：追求 回答高精度 和 高相关性 的场景中特别适合使用 Reranker，例如专业知识库或者客服系统等应用。

不适合：引入reranker会增加召回时间，增加检索延迟。服务对 响应时间要求高 时，使用reranker可能不合适。

这里有三个位置涉及到大模型的使用：

第3步向量化时，需要使用EmbeddingModels。

第7步重排序时，需要使用RerankModels。

第9步生成答案时，需要使用LLM。

3.2 基于Agent架构的开发

充分利用 LLM 的推理决策能力，通过增加 规划 、 记忆 和 工具 调用的能力，构造一个能够独立思考、逐步完成给定目标的智能体。

举例：传统的程序 vs Agent（智能体）

OpenAI的元老翁丽莲(Lilian Weng)于2023年6月在个人博客首次提出了现代AI Agent架构。

一个数学公式来表示：

Agent = = = LLM + ^ + + Memory + ^ + + Tools + ^ + + Planning + ^ + + Action

⽐如，打⻋到西藏玩。

⼤脑中枢：规划⾏程的你

规划：步骤1：规划打⻋路线，步骤2：定饭店、酒店，。。。

调⽤⼯具：调⽤MCP或FunctionCalling等API，滴滴打⻋、携程、美团订酒店饭店

记忆能⼒：沟通时，要知道上下⽂。⽐如定酒店得知道是西藏路上的酒店，不能聊着聊着忘了最初的⽬的。

能够执⾏上述操作。说走就走，不能纸上谈兵。

智能体核心要素被细化为以下模块：

1、大模型（LLM）作为"大脑"：提供推理、规划和知识理解能力，是AI Agent的决策中枢。

⼤脑主要由⼀个⼤型语⾔模型 LLM 组成，承担着信息处理和决策等功能， 并可以呈现推理和规划的过程，能很好地应对未知任务。

2、记忆（Memory）

记忆机制能让智能体在处理重复⼯作时调⽤以前的经验，从而避免⽤⼾进⾏⼤量重复交互。

短期记忆：存储单次对话周期的上下文信息，属于临时信息存储机制。受限于模型的上下文窗口长度。

3、工具使用（Tool Use）：调用外部工具（如API、数据库）扩展能力边界。

4、规划决策（Planning）：通过任务分解、反思与自省框架实现复杂任务处理。例如，利用思维链（Chain of Thought）将目标拆解为子任务，并通过反馈优化策略。

3.3 大模型应用开发的4个场景

场景1：纯 Prompt

Prompt是操作大模型的唯一接口

当人看：你说一句，ta回一句，你再说一句，ta再回一句...

场景2：Agent + ^ + + Function Calling

Agent：AI 主动提要求

Function Calling：需要对接外部系统时，AI 要求执行某个函数

当人看：你问 ta「我明天去杭州出差，要带伞吗？」，ta 让你先看天气预报，你看了告诉ta，ta再告诉你要不要带伞

场景3：RAG (Retrieval-Augmented Generation)

RAG：需要补充领域知识时使用

Embeddings：把文字转换为更易于相似度计算的编码。这种编码叫向量

向量数据库：把向量存起来，方便查找

向量搜索：根据输入向量，找到最相似的向量

举例：考试答题时，到书上找相关内容，再结合题目组成答案

这个在智能客服上用的最广泛。

场景4：Fine-tuning(精调/微调)

举例：努力学习考试内容，长期记住，活学活用。

特点：成本最高；在前面的方式解决不了问题的情况下，再使用。

如何选择

面对一个需求，如何开始，如何选择技术方案？下面是个常用思路：

注意：其中最容易被忽略的，是准备测试数据

下面，我们重点介绍下大模型应用的开发两类：基于RAG的架构，基于Agent的架构。

4、LangChain的核心组件

学习Langchain最简单直接的方法就是阅读官方文档。

https://python.langchain.com/v0.1/docs/modules/

通过文档目录我们可以看到，Langchain构成的核心组件。

两个红框内容是核⼼。中间的Integrations：集成各种⼯具或云平台。

4.1 一个问题引发的思考

如果要组织一个AI应用，开发者一般需要什么？

第1，提示词模板的构建，不仅仅只包含用户输入。

第2，模型调用与返回，参数设置，返回内容的格式化输出。

第3，知识库查询，这里会包含文档加载，切割，以及转化为词嵌入（Embedding）向量。

第4，其他第三方工具调用，一般包含天气查询、Google搜索、一些自定义的接口能力调用。

第5，记忆获取，每一个对话都有上下文，在开启对话之前总得获取到之前的上下文吧？

4.2 核心组件的概述

LangChain的核心组件涉及六大模块，这六大模块提供了一个全面且强大的框架，使开发者能够创建复杂、高效且用户友好的基于大模型的应用。

4.3 核心组件的说明

核心组件1：Model I/O

这个模块使⽤最多，也最简单

Model I/O：标准化各个大模型的输入和输出，包含输入模版，模型本身和格式化输出。

以下是使用语言模型从输入到输出的基本流程。

以下是对每一块的总结：

Format(格式化) ：即指代Prompts Template，通过模板管理大模型的输入。将原始数据格式化成模型可以处理的形式，插入到一个模板问题中，然后送入模型进行处理。

Predict(预测) ：即指代Models，使用通用接口调用不同的大语言模型。接受被送进来的问题，然后基于这个问题进行预测或生成回答。

Parse(生成) ：即指代Output Parser 部分，用来从模型的推理中提取信息，并按照预先设定好的模版来规范化输出。比如，格式化成一个结构化的JSON对象。

核心组件2：Chains

Chain："链条"，用于将多个模块串联起来组成一个完整的流程，是 LangChain 框架中最重要的模块。

例如，一个 Chain 可能包括一个 Prompt 模板、一个语言模型和一个输出解析器，它们一起工作以处理用户输入、生成响应并处理输出。

常见的Chain类型：

LLMChain ：最基础的模型调用链

SequentialChain ：多个链串联执行

RouterChain ：自动分析用户的需求，引导到最适合的链

RetrievalQA ：结合向量数据库进行问答的链

核心组件3：Memory

Memory：记忆模块，用于保存对话历史或上下文信息，以便在后续对话中使用。

常见的 Memory 类型：

ConversationBufferMemory ：保存完整的对话历史

ConversationSummaryMemory ：保存对话内容的精简摘要（适合长对话）

ConversationSummaryBufferMemory ：混合型记忆机制，兼具上面两个类型的特点

VectorStoreRetrieverMemory ：保存对话历史存储在向量数据库中

核心组件4：Agents

Agents，对应着智能体，是 LangChain 的高阶能力，它可以自主选择工具并规划执行步骤。

Agent 的关键组成：

AgentType ：定义决策逻辑的工作流模式

Tool ：是一些内置的功能模块，如API调用、搜索引擎、文本处理、数据查询等工具。Agents通过这些工具来执行特定的功能。

AgentExecutor ：用来运行智能体并执行其决策的工具，负责协调智能体的决策和实际的工具执行。

⽬前最热⻔的智能体开发实践，未来能够真正实现通⽤⼈⼯智能的落地⽅案。

核心组件5：Retrieval

Retrieval：对应着RAG，检索外部数据，然后在执行生成步骤时将其传递到 LLM。步骤包括文档加载、切割、Embedding等

Source ：数据源，即大模型可以识别的多种类型的数据：视频、图片、文本、代码、文档等。

Load ：负责将来自不同数据源的非结构化数据，加载为文档(Document)对象

Transform ：负责对加载的文档进行转换和处理，比如将文本拆分为具有语义意义的小块。

Embed ：将文本编码为向量的能力。一种用于嵌入文档，另一种用于嵌入查询

Store ：将向量化后的数据进行存储

Retrieve ：从大规模文本库中检索和查询相关的文本段落

绿⾊的是⼊库存储前的操作。

核心组件6：Callbacks

Callbacks：回调机制，允许连接到 LLM 应用程序的各个阶段，可以监控和分析LangChain的运行情况，比如日志记录、监控、流传输等，以优化性能。

回调函数，对于程序员们应该都不陌⽣。这个函数允许我们在LLM的各个阶段使⽤各种各样的"钩⼦"，从而达实现⽇志的记录、监控以及流式传输等功能。

4.4 小结

Model I/O模块：使用最多，也最简单

Chains 模块： 最重要的模块

Retrieval模块、Agents模块：大模型的主要落地场景

在这个基础上，其它组件要么是它们的辅助，要么只是完成常规应用程序的任务。

辅助：⽐如，向量数据库的分块和嵌⼊，⽤于追踪、观测的Callbacks

任务：⽐如，Tools，Memory

5、LangChain的helloworld

注意：⼤家如果想演⽰如下代码的话，需要准备两个前提：

1 安装必要的库和插件

2 参考后续《02-LangChain使⽤之Model IO》的2.3.2小结，配置好.env配置⽂件

建议：如下的helloworld⼤家看看即可，从下⼀章开始展开讲解

5.1 获取大模型

导入 dotenv 库的 load_dotenv 函数，用于加载环境变量文件（.env）中的配置

#导入 dotenv 库的 load_dotenv 函数，用于加载环境变量文件（.env）中的配置
import dotenv
from langchain_openai import ChatOpenAI
import os

dotenv.load_dotenv(
    dotenv_path=r"C:\Users\fei\Desktop\companyProject\pythonProject\LangChain-tutorial\.env"
)

os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")

# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")  # 默认使用 gpt-3.5-turbo

# 直接提供问题，并调用llm
response = llm.invoke("什么是大模型？")
print(response)

其中，需要在当前工程下提供 .env 文件，文件中提供如下信息：

OPENAI_API_KEY1="demo"

OPENAI_BASE_URL="http://langchain4j.dev/demo/openai/v1"

密钥来自于：https://www.closeai-asia.com/

5.2 使用提示词模板

我们也可以创建prompt template, 并引入一些变量到prompt template中，这样在应用的时候更加灵活。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 这里需要指明具体的角色，system 和 user
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术文档编写者"),
    ("user", "{input}")  # {input} 为变量
])

# 配置LLM
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
    api_key="demo",
    base_url="http://langchain4j.dev/demo/openai/v1"
)

# 把 prompt 和具体 llm 的调用和在一起
chain = prompt | llm
message = chain.invoke({"input": "大模型中的LangChain是什么?"})
print(message)

# print(type(message))

LangChain是一个开源框架，旨在简化和增强大语言模型（如GPT-3、GPT-4 等）的开发与应用。它为开发者提供了一套工具和组件，使得在不同的用例中利用语言模型变得更加高效和灵活。LangChain 的全名是"Language Chain"，意在强调它将多个处理步骤或组件串联在一起，形成一个完整的处理链，以便更好地利用语言模型的能力。

5.3 使用输出解析器

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser

# 初始化模型
llm = ChatOpenAI(
    model="gpt-4o-mini",
    api_key="demo",
    base_url="http://langchain4j.dev/demo/openai/v1"
)

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术文档编写者。"),
    ("user", "{input}")
])

# 使用输出解析器
output_parser = JsonOutputParser()

# 构建链
chain = prompt | llm | output_parser

# 调用
result = chain.invoke({
    "input": "LangChain是什么？用JSON格式回复，问题用question，回答用answer"
})

print(result)

{'question': 'LangChain是什么?', 'answer': 'LangChain是一个开源框架，用于构建与大型语言模型（LLMs）交互的应用程序。它提供了一个灵活的工具集，允许开发人员创建具有复杂推理能力、链式任务处理和上下文管理的智能应用。LangChain支持多种数据源和组件，可以帮助开发者在各种环境中更高效地利用语言模型。'}

或

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术文档编写者。输出格式要求: {formatInstructions}"),
    ("user", "{input}")
])

# 使用输出解析器
output_parser = JsonOutputParser()

# 构建链
chain = prompt | llm | output_parser

# 调用
result = chain.invoke({
    "input": "LangChain是什么？",
    "formatInstructions": output_parser.get_format_instructions()
})

print(result)

{LangChain':{'description':'LangChain是一个开源的框架，用于构建基于语言模型的应用程序。它旨在将不同的语言模型、数据源和工具结合起来，以便于开发者创建复杂的应用。'，'key_features':['模块化设计：支持将不同的组件组合在一起，如语言模型、数据处理和外部API。';  
'支持多种语言模型：兼容不同类型的语言模型，如OpenAI的GPT系列、BERT等。'，  
'内置数据连接：可以与多种数据源进行集成，例如数据库、文件和外部API。'，  
'灵活的工作流管理：提供了多种方法来定义和管理任务的执行流程。'，  
'社区支持：拥有活跃的社区，提供文档、示例和支持。'，  
'可扩展性：允许开发者根据需求定制和扩展功能。']，  
'use Cases':['聊天机器人开发','文本生成和摘要','内容推荐系统','自然语言理解任务','自动化工作流处理'],  
'getting_started':{'installation': '使用pip安装：pip install langchain',  
'documentation_link': 'https://langchain.readthedocs.io/en/latest/'}}

5.4 使用向量存储

使用一个简单的本地向量存储 FAISS，首先需要安装它

1 pip install faiss-cpu  
2 #或者  
3 conda install faiss-cpu

1 pip install langchain-community = = 0.3.7 = = 0.3.7 ==0.3.7 2 #或者

3 cond installation community = = 0.3.7 = = 0.3.7 ==0.3.7

# 导入和使用 WebBaseLoader
from langchain_community.document_loaders import WebBaseLoader
import bs4

loader = WebBaseLoader(
        web_path="https://www.gov.cn/xinwen/2020-06/01/content_5516649.htm",
 #       bs_kwargs=dict(parse_only=bs4.SoupStrainer(id="UCAP-CONTENT"))
    )
docs = loader.load()
print(docs)

# 对于嵌入模型，这里通过 API调用
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-ada-002")


from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter

# 使用分割器分割文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
documents = text_splitter.split_documents(docs)
print(len(documents))
# 向量存储  embeddings 会将 documents 中的每个文本片段转换为向量，并将这些向量存储在 FAISS 向量数据库中
vector = FAISS.from_documents(documents, embeddings)

# 向量存储 embeddings会将documents中的每个文本片段转换为向量，并将这些向量存储在FAISS 向量数据库中
vector = FAISS.from_documents(documents, embeddings)

5.5 RAG(检索增强生成)

基于外部知识，增强大模型回复

from langchain_core.prompts import PromptTemplate

retriever = vector.as_retriever()
retriever.search_kwargs = { "k":3 }
docs = retriever.invoke("建设用地使用权是什么？")

# 定义提示词模版
prompt_template = """
你是一个问答机器人。
你的任务是根据下述给定的已知信息回答用户问题。
确保你的回复完全依据下述已知信息。不要编造答案。
如果下述已知信息不足以回答用户问题，请直接回复"我无法回答您的问题"。

已知信息:
{info}

用户问:
{question}

请用中文回答用户问题。
"""

# 得到提示词模版对象
template = PromptTemplate.from_template(prompt_template)

# 得到提示词对象
prompt = template.format(info=docs, question='建设用地使用权是什么？')

# 调用LLM
response = llm.invoke(prompt)
print(response.content)

建设⽤地使⽤权是指在法律规定的范围内，建设⽤地使⽤权⼈对特定⼟地的使⽤、建造建筑物及其他设施的权利。根据相关法律规定，建设⽤地使⽤权可以通过出让或划拨等⽅式设⽴，并应当符合资源节约、⽣态环境保护及⼟地⽤途的规定。建设⽤地使⽤权⼈有权转让、出资、赠与或抵押其使⽤权，但需遵循法律规定和合同约定。

5.6 使用Agent

from langchain.tools.retriever import create_retriever_tool

# 检索器工具
retriever_tool = create_retriever_tool(
    retriever,
    "CivilCodeRetriever",
    "搜索有关中华人民共和国民法典的信息。关于中华人民共和国民法典的任何问题，您必须使用此工具！"
)

tools = [retriever_tool]

from langchain import hub
from langchain.agents import create_openai_functions_agent
from langchain.agents import AgentExecutor

# https://smith.langchain.com/hub
prompt = hub.pull("hwchase17/openai-functions-agent")

agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行代理
agent_executor.invoke({"input":"建设用地使用权是什么"})