大模型学习·第40天：LangChain框架入门——从RAG原理到模型调用的统一接口

一、LangChain是什么？

LangChain 是一个 LLM 应用开发框架，核心理念是为各种大模型实现通用接口，把相关组件"链接"在一起，简化开发难度。

LangChain 不开发大模型，而是大模型的"连接器"。

功能	说明
Prompts	优化提示词
Models	调用各类模型（云端+本地）
History	管理会话历史记录
Indexes	管理和分析文档
Chains	构建功能的执行链条
Agent	构建智能体

bash 复制代码

pip install langchain langchain-community langchain-ollama dashscope chromadb -i https://pypi.tuna.tsinghua.edu.cn/simple

二、RAG（检索增强生成）

RAG = 检索技术 + LLM提示，为大模型提供从特定数据源检索到的信息，修正和补充生成的答案。

为什么需要RAG？

大模型知识不是实时的，训练好后不具备自动更新能力
大模型缺乏领域知识，无法覆盖高度专业化的内容
存在幻觉问题，会生成看似合理但实际错误的信息
数据安全性问题

RAG标准流程：

阶段	作用
索引	加载文档 → 文本分割成chunk → 向量化 → 存入向量数据库
检索	用户query向量化 → 在向量库中匹配相似文本
生成	匹配文本作为上下文 + 问题 → 提交给LLM生成答案

RAG核心价值：解决知识时效性问题，降低模型幻觉，无需重新训练模型。

三、向量

向量就是文本的"数学身份证"------把文字语义转成一串固定长度的数字，让计算机能"看懂"文字并做相似度计算。

文本嵌入模型（如 text-embedding-v1）将文本映射为固定长度的数字序列
余弦相似度衡量两个向量方向是否一致，夹角越小越相似
向量维度越多，语义匹配越精准，但计算压力也越大。1536维是比较好的选择

四、LangChain 模型调用

LLMs（大语言模型）：

python 复制代码

# 阿里云千问
from langchain_community.llms.tongyi import Tongyi
llm = Tongyi(model='qwen-max')
res = llm.invoke("帮我讲个笑话吧")

# Ollama本地模型
from langchain_ollama import OllamaLLM
model = OllamaLLM(model='qwen3:4b')
for chunk in model.stream("帮我讲个笑话吧"):
    print(chunk, end="", flush=True)

聊天模型（对话场景）：

python 复制代码

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

chat = ChatTongyi(model="qwen3-max")
messages = [
    SystemMessage(content="你是一个边塞诗人"),
    HumanMessage(content="写一首唐诗"),
]
for chunk in chat.stream(input=messages):
    print(chunk.content, end="", flush=True)

消息类型 ：SystemMessage（角色设定）、HumanMessage（用户输入）、AIMessage（AI回答）。简写形式用二元元组 ("system", "内容") 支持变量占位，运行时动态填充。

嵌入模型（文本向量化）：

python 复制代码

from langchain_community.embeddings import DashScopeEmbeddings
model = DashScopeEmbeddings()
model.embed_query("我喜欢你")      # 单次转换
model.embed_documents(['a', 'b'])  # 批量转换

五、LangChain模型API速查表

方式	LLMs	聊天模型	嵌入模型
阿里云千问	`from langchain_community.llms.tongyi import Tongyi`	`from langchain_community.chat_models.tongyi import ChatTongyi`	`from langchain_community.embeddings import DashScopeEmbeddings`
Ollama本地	`from langchain_ollama import OllamaLLM`	`from langchain_ollama import ChatOllama`	`from langchain_ollama import OllamaEmbeddings`
调用方法	`invoke(批量)` / `stream(流式)`	同上	`embed_query(单次)` / `embed_documents(批量)`

六、提示词模板

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template(
    "我的邻居姓{lastname}，刚生了{gender}，你帮我起个名字"
)
prompt_text = prompt_template.format(lastname="张", gender="女儿")

使用 Template 模板在大型工程中更容易做标准化管理，且支持 LangChain 框架的链式调用（Runnable接口）。后续还会学习 FewShotPromptTemplate 和 ChatPromptTemplate。

今日核心总结

LangChain：LLM应用开发框架，把模型、提示词、记忆、检索等组件"链接"在一起
RAG = 检索 + LLM提示：解决大模型知识滞后和幻觉问题，三步走：索引→检索→生成
向量是文本的数学身份证：把语义转成数字序列，用余弦相似度做语义匹配
三类模型API：LLMs（文本生成）、聊天模型（对话）、嵌入模型（文本向量化）
PromptTemplate：提示词模板化，支持变量注入和链式调用