第01章：LangChain 1.2 概述（下）

4.2 相关环境安装

4.2.1 代码管理方案

相较于 全局环境（系统环境） ，各个 虚拟环境 都有自己独立的一套：Python 解释器、pip 命令、第 三方依赖包，不和其它项目产生干扰。

虚拟环境的设置方案：

方案1-使用conda：适合"Python + 非 Python 依赖"的复杂环境

conda 不只是 Python 包管理工具，它还可以管理 Python 解释器、Python 包，以及很多非 Python 依 赖，比如： CUDA、编译器、系统库、数据库驱动、科学计算底层库 等非 Python 依赖。

因此在数据科学、深度学习、AI 工程、科学计算等场景中，conda 更稳妥、优先推荐。 注意：conda 环境中可以使用 pip，但建议先用 conda 装底层依赖，再用 pip 补充 Python 包，不要 随意反复交替使用。

方案2-使用uv：适合"纯 Python 项目"的现代包管理

uv 是一个现代 Python 包管理工具，主要 管理 Python 生态依赖 ，不能像 conda 那样管理 CUDA、系 统级数据库驱动、编译器这类通用非 Python 依赖。 如果项目主要是普通 Python 开发，这类项目通常可以优先考虑 uv。例如：

FastAPI 项目
LangChain 项目
脚本工具
Web 后端
普通 AI Agent 应用
RAG 应用层代码

方案3-使用venv：Python 自带的轻量级虚拟环境工具

venv 是 Python 官方自带的虚拟环境工具，不需要额外安装。 它的特点是简单、轻量：

1 python -m venv .venv

注意： venv 不负责安装新的 Python 解释器，只能基于当前已经安装好的 Python 解释器创建虚拟环 境。同时，venv 也不负责管理 CUDA、系统库等非 Python 依赖。

三者对比：

普通 Python 项目：可以用 uv，速度快，体验好。

4.2.2 安装虚拟环境与Python解释器

LangChain基于Python开发，因此需确保系统中安装了Python解释器，我们在创建虚拟环境过程中安装 Python解释器。

LangChain 1.2版本要求Python版本为 3.10+以上 ，这里我们使用 python3.13.12 版本。 注意：如下包的安装，必须显式指明版本，否则可能会出现不兼容情况。

1、创建conda环境：

#创建一个名为langchain1.2的环境，指定Python版本是3.13.12
conda create --name langchain1.2 python=3.13.12
#查看anconda安装好的python环境
conda env list
#初始化虚拟环境 (执行完此指令，重新启动命令行窗口)
conda init
#在命令行窗口切换到某python环境
conda activate langchain1.2
#验证python版本
(langchain1.2) C:\Users\shkstart>python -V
#或 调用：python --version
#输出：Python 3.12.13

2. 退出/删除conda环境：

#在命令行退出当前python环境
(langchain1.2) C:\Users\shkst>conda deactivate
#删除一个已有的anconda管理的python环境
conda remove --name langchain1.2 --all

4.2.3 下载langchain安装包

方式1：使用conda指令 （推荐）

# 安装指定版本。比如1.2.2
conda install langchain==1.2.12
# 或者安装最新版（默认仓库）
conda install langchain
# 指定频道（如 conda-forge）
conda install -c conda-forge langchain==1.2.12
# 更新包
conda update langchain
# 卸载包
conda uninstall langchain
# 查看已安装包
conda list

conda 包通常来自 defaults 或 conda-forge。

-c ：是 --channel 的缩写，conda用于指定包的安装来源渠道。

conda-forge ：该源比官方默认渠道更新更快、包更全

方式2：使用pip指令

# 安装指定版本
pip install langchain==1.2.12
#安装最新版（不推荐）：pip install langchain
# 使用指定源：国内镜像加速 （解决下载慢） -i：指定镜像源
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 从旧版本升级到新版本
pip install --upgrade langchain
#或者 pip install -U langchain==1.2.12
# 卸载包
pip uninstall langchain
# 查看已安装包
pip list

建议：优先 conda install，conda没有，再用pip install。

二者区别：

conda依赖检查严格，pip相对宽松；

conda 管环境 + 依赖 + 稳定性，pip 只管Python 包；

conda：支持Python 包 + 非 Python 包；pip：只支持 Python 包。

# 检查包来源
conda list # Conda 安装的包显示频道，pip 安装的显示 `pypi`

4.2.4 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。

Other Versions - PyCharm

创建新的工程，并设置Python解释器（选择Anaconda环境）。

import langchain
print(langchain.__version__)

5、大模型应用场景介绍

大模型应用技术特点：门槛低，天花板高

5.1 RAG开发

1）背景

大模型的知识冻结 ：随着 LLM 规模扩大，训练成本与周期相应增加，模型 无法实时学习 到最新的信 息或动态变化。导致 LLM 难以应对诸如"请推荐现在的热门影片"等时间敏感的问题。

大模型幻觉 ：涉及到大模型从未在训练过程中学习过的信息时，大模型无法给出准确的答复，转而开 始臆想和编造答案。

2）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%到了90%！

3）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13步（这里的提示词包含检索到的数 据），生成理解为第15步。

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

1、文件解析：如果是pdf，内部包含文件、图片、表格，图片上还有文字，需要处理。

2、文件切割：没有固定的格式

3、在 RAG 应用中，随着文档数量增加，召回准确率会下降，引入reranker（重排器）可对初步 召回的较多 chunk（如 top 20 或 top 50）进行精排，提高召回准确率，防止LLM 处理无关信 息，减少时间和成本。

此外，与基于基本矢量搜索的 RAG 相比，reranker增强型 RAG 的成本更高，但与仅依靠LLM 生 成答案相比，它的成本低些。

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。

5.2 Agent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 Agent（智能体）。

类比举例：

OpenAI的元老翁丽莲(Lilian Weng)于2023年6月在个人博客（https://lilianweng.github.io/posts/2023 -06-23-agent/）首次提出了现代AI Agent架构。

一个数学公式来表示：

Agent = LLM + Planning + Tools + Memory + Action

比如，打车到西藏玩。

大脑中枢：规划行程的你

规划：步骤1：规划打车路线，步骤2：订饭店、酒店，。。。

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

记忆能力：沟通时，要知道上下文。比如订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、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、工具使用（Tool Use）：

调用外部工具（如API、数据库）扩展能力边界。

4、记忆（Memory）

智能体像人类一样，能留存学到的知识以及交互习惯等，这样的机制能让智能体在处理重复工作时 调用以前的经验，从而避免用户进行大量重复交互。

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。

ChatGPT：支持约8k token的上下文

GPT4：支持约32k token的上下文

最新的很多大模型：OpenAI GPT‐5.5 / GPT‐5.4 Pro支持100 万 Token（1M）、Anthropic Claude Opus 4.7支持200 万 Token、DeepSeek‐V4‐Pro支持100 万 Token、甚至有模型支 持1000万 token的上下文 （相当于2000万字文本或20小时视频）

5. 长期记忆：

可以 横跨多个会话或时间周期 ，可存储并调用核心知识，非即时任务。 比如，关于用户的偏好，过去执行过的指令等。 长期记忆，可以通过 模型参数微调（固化知识） 、 知识图谱（结构化语义网络） 或 向量数 据库（相似性检索） 方式实现。

5、行动（Action）：

实际执行决策的模块，涵盖软件接口操作（如自动订票）和物理交互（如机器人 执行搬运）。比如：检索、推理、编程等。

5.3 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

如何选择相关技术

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：