LangChain快速上手

LangChain软件包安装

LangChain 生态系统包含不同的包,用来准确选择要安装的功能。

• 主 langchain 包 这个包是使用 LangChain 的起点,安装方式如下:

pip install langchain

• langchain-core 包

除了 langsmith SDK 之外,LangChain 生态系统中的所有包都依赖于 langchain-core ,包 含其它包使用的基类和抽象,以及 LangChain LCEL(表达式语言)。 它由 langchain 包自动安装,不需要显式安装该包。但是,如果使用的功能仅在该依赖项的特定版 本中可用,则可以选择这样做。如果这样做,则应确保已安装或固定的版本与我们使用的任何其他集 成包兼容。

pip install langchain-core

• Integrations 集成包

LangChain 的大部分价值来自于将各种能力进行集成,如各类模型集成(如 OpenAI 和 Anthropic)、各类组件集成(如数据存储、工具等)等。LangChain 中集成好的包见这里LangChain Python integrations - Docs by LangChain。 对于所需依赖项,我们需要单独安装。例如要使用 OpenAI,可以运行:

pip install langchain-openai

• langchain-community 包

简单来说,任何尚未拆分到自己的包中的集成,都存在于 langchain-community 包中。安装方 式:

pip install langchain-community

• langgraph 包

langgraph 是一个库,用于使用 LLM 构建有状态的应用程序。它与 LangChain 顺利集成。安装方 式:

pip install langgraph

• LangSmith SDK

LangSmith SDK 由 LangChain 自动安装。但它不依赖于 langchain-core ,如果需要,可以独立 安装和使用,安装方式

pip install langsmith

一、快速上手

对于 LangChain,它是一个用于开发 由大语言模型 (LLM) 驱动的应用程序的框架。

使用原生 LLM 可能会存在 一些问题,例如将其当作搜索引擎去使用,LLM 生成的答案可能要比其他搜索引擎查到的答案更符合 你的预期,但要是在复杂的场景下使用,如将 LLM 嵌入应用程序时却遭遇了全新难题:

• 简单提示词(Prompt)得到的答案经常出现幻觉?

• 提示词结构是否可以统一规范?

• 如何实现开发过程中大模型的轻松、灵活切换?

• 大模型输出是非结构化的,怎样与要求结构化数据的程序接口交互?

• 如何克服预训练模型知识陈旧的问题,引入实时更新?

• 如何连接模型与外部工具或系统,执行具体任务?

• ...

2. 详细过程

2.1 步骤1:申请 API key 并配置环境变量

2.2 步骤2:定义大模型

1、安装包

pip install -U langchain-deepseek

  1. 定义大模型
复制代码
#1、定义模型
#api key默认从系统环境变量中读取()里的第二个参数也可以自己加上api_key=
model = ChatDeepSeek(model="deepseek-v4-flash")

2.3 步骤3:定义消息列表

复制代码
#2、定义消息
#用户消息在langchain里被定义成HumanMessage,他是是来自用户的、从用户传递到模型的消息。
#系统提示消息SystemMessage 通常作为第一条消息传入
messages=[
    SystemMessage(content="请帮我进行翻译,有英文转换为中文"),
    HumanMessage(content="hi")
]

2.4 步骤4:调用大模型

model 是 LangChain Runnable (可运行)接口的实例,这意味着 model 提供了一个标准接口供 我们与之交互。要简单地调用模型,我们可以将 消息列表 传递给 .invoke 方法。 使用 .invoke 方法进行大模型调用

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

输出说明:

**• AIMessage :**来自 AI 的消息。从聊天模型返回,作为对提示(输入)的响应。

◦ content :消息的内容。

◦ additional_kwargs :与消息关联的其他有效负载数据。对于来自 AI 的消息,可能包括模 型提供程序编码的工具调用。

**◦ response_metadata :**响应元数据。例如:响应标头、logprobs、令牌计数、模型名称。

▪ 侧重于 "响应"本身的信息,比如这次请求的 ID、使用的模型版本、以及服务提供商返回 的所有原始元数据。它主要用于调试、日志记录和获取请求的上下文信息。

**◦ usage_metadata :**消息的使用元数据,例如令牌计数。

▪ 侧重于 "资源消耗"的量化信息,即这次请求消耗了多少 Token。它主要用于成本计算、 监控和预算控制。

2.5 步骤5:输出解

若只想输出聊天模型返回的结果字符串,可以使用 StrOutputParser 输出解析器组件,将大模型 输出结果解析为最可能的字符串。

复制代码
#4、定义输出解析
parse=StrOutputParser()
# print(parse.invoke(result))

2.6 步骤6:链式执行

通过上述步骤,无论是调用大模型,还是输出解析,我们发现,每次都调用了一个 invoke() 方法,最 终才会得到我们想要的结果。

对于 LangChain,它给我们提供了链式执行的能力,即我们只需要定义各个"组件",将它们"链起 来",一次性执行即可得到最终效果。

python 复制代码
from langchain_core.output_parsers import StrOutputParser
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI


#1、定义模型
#api key默认从系统环境变量中读取()里的第二个参数也可以自己加上api_key=
model = ChatDeepSeek(model="deepseek-v4-flash")

#2、定义消息
#用户消息在langchain里被定义成HumanMessage
#系统提示消息SystemMessage 通常作为第一条消息传入
messages=[
    SystemMessage(content="请帮我进行翻译,有英文转换为中文"),
    HumanMessage(content="hi")
]
#调用大模型
# result=model.invoke(messages)
# print(result)

#4、定义输出解析
parse=StrOutputParser()
# print(parse.invoke(result))

#5、定义链
#注意链的顺序不能错,因为它是按照顺序来执行每一个组件的
chain = model | parse
 #6、执行链条
print(chain.invoke(messages))

注意:有多种定义链的方式,不过还是推荐chain=model | parse。简介直观

3.2 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 。 RunnableSequence 就是一种 链 ,chain 的类型就是 RunnableSequence

重要的是, RunnableSequence 也是 Runnable 接口的实例 ,它实现了完整的 Runnable 接口, 因此它可以用与任何其他 Runnable 相同的姿势使用。

chain = model | parser

chain.invoke(messages) # 链是 Runnable 接口实例,允许invoke调用

LCEL 其实是一种编排解决方案,它使 LangChain 能够以优化的方式处理链的运行时执行。

任何两个 Runnable 实例都可以"链"在一起成序列。上一个可运行对象的 .invoke() 调用 的输出作为输入传递给下一个可运行对象。

相关推荐
小虎AI生活3 小时前
新出的 Hy4 flash 好用吗?我用 WorkBuddy 做了个小测试
aigc·ai编程
stormzhangV7 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程
花椒技术7 小时前
Genie 4 刷屏之后,AI 视频生成正在走向下一阶段
agent·ai编程·音视频开发
孟健8 小时前
用T3 Code手机远程控制Claude Code完成周报总结实测
开源·ai编程·claude
Bowen_J8 小时前
Apple Foundation Models:Apple AI核心框架
人工智能·ai编程·apple
ServBay8 小时前
Cursor披露恶意扩展,怎么守住本地 API Key
后端·ai编程·cursor
IvanCodes8 小时前
LangChain(04):Runnable 与 LCEL 的执行与组合机制
python·langchain·agent
IT规划师8 小时前
热点速递 | Agent 交付没人敢合?GitHub 榜在补验收
agent·ai编程
慧都小项9 小时前
MyEclipse Inline Diff 实用指南:逐处核对 AI 修改再提交
git·ai编程·myeclipse·java 代码审查·ai 代码修改
码间留白9 小时前
AI 给的两个方案都被我否了:把 startIcon 与启动遮罩做成同一张图,鸿蒙 APP 冷启动零白屏
性能优化·uni-app·ai编程·harmonyos