大模型学习17 大模型学习 - LangChain1_概述

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。

LangChain 是一个开源的大型语言模型（LLM）应用开发框架，核心目标是把大模型的能力"编排"成真实的应用程序（如聊天机器人、Agent、RAG 问答系统等）。它解决了"单次调用大模型"和"真实产品"之间的差距------帮你管理提示词、多步骤流程、外部工具和记忆。

它解决的核心问题:

直接调大模型只能拿到一次生成结果，但真实应用往往需要：多步骤推理、调用外部数据/工具、记住对话上下文、结构化输出。LangChain 把这些常见的开发工作抽象成可复用的模块，并串成流水线。

典型工作流

以最常见的 RAG（问答机器人） 为例：

文档切片 → 2. 向量化 → 3. 存入向量数据库
用户提问 → 5. 检索相关片段 → 6. 拼进 prompt → 7. 调模型生成回答

为什么受欢迎

生态成熟：LangChain Hub（可复用 Prompt）、LangSmith（调试）、LangGraph（更灵活的状态机式编排）
厂商中立：一套代码对接多家模型
社区庞大：集成数千种工具、数据库、向量库

适用场景

RAG 知识库问答、客服机器人
Agent 智能体（自动规划 + 调用工具）
多步骤数据处理流水线、报表生成、代码辅助等

一点提醒

LangChain 抽象层级高，封装重 ，适合快速搭建原型和标准化开发。但对简单需求，直接调 API 反而更轻；对复杂、需要精细控制的 Agent 编排，很多人也转用 LangGraph 或直接手写逻辑。核心能力（提示词、记忆、工具调用）背后的原理，正是你正在学的 Transformer 等底层知识。

关于LangChain的相关网址链接

github地址：https://github.com/langchain-ai/langchain
官网地址：https://www.langchain.com/langchain
官方文档：https://docs.langchain.com/oss/python/langchain/overview
API 文档：https://reference.langchain.com/python/langchain/

LLMs用的好好的，为什么还需要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。

问题2：我们可以使用GPT 或GLM5 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。

但使用LangChain的好处：

简化开发难度：更简单、更高效、效果更好。
开发人员可以更专注于业务逻辑，而无须花费大量时间和精力处理底层技术细节。
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Agent构建方法：LangChain提供了现成的构建Agent的方式。让复杂的逻辑变得结构化、易组合、易扩展。

2 LangChain包及核心模块划分

2.1 LangChain所包含的包

LangChain所包含的包及其描述，如下所示：

包	描述
langchain	包含构建使用 LLM 的应用所需的所有实现的主入口点
langchain-core	LangChain 生态系统中的核心接口和抽象
langchain-openai/deepseek	Langchain和OpenAI（deepseek）集成包。langchain还包含一系列集成包，这些集成包涵盖了文本生成模型，工具，文档加载，向量存储等多个方面，构成了langchain生态系统。
langchain-mcp-adapters	在 LangChain 和 LangGraph 应用中提供 MCP 工具
langchain-text-splitters	用于文档处理的文本分割工具
langchain-tests	用于验证 LangChain 集成包实现的标准化测试套件
langchain-classic	遗留的 langchain 实现和组件，主要为1.0.0版本以前的相关内容

LangChain 核心组成模块

模块	作用
Models（模型）	统一封装各类 LLM（OpenAI、Claude、国内模型等）和嵌入模型，提供统一调用接口
Prompts（提示词）	模板化管理提示词，支持变量填充、Few-shot 示例
Chains（链）	把多个步骤按顺序或逻辑串联，比如"取数据→写prompt→调模型→解析结果"
Memory（记忆）	保存历史对话，支持短期窗口和长期存储
Agents（智能体）	让模型自主决定"下一步调用哪个工具"，实现循环推理
Tools（工具）	让模型能调用外部功能（搜索、计算器、数据库、API）
Retrievers（检索）	支撑 RAG（检索增强生成），从向量库/文档中检索相关内容
Callbacks / Tracing	观察、日志、监控整个执行过程

从逻辑上也可以划分为以下四大部分：

Model I/O -- 标准化大模型的输入和输出，包含提示模版，模型调用和格式化输出。
- Format（格式化）：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，插入到一个模板中，然后送入模型进行处理。
- Predict（预测）：调用 LLM 接收输入，进行预测或生成回答。
- Parse（解析）：规范化模型输出。比如将模型输出格式化为 JSON。
Chains -- "链条"用于将多个组件组合成一个完整的流程，方便链式调用。
RAG -- 对应RAG：检索外部数据，作为参考信息输入LLM辅助生成答案。
Agents -- Agent 自主规划执行步骤并使用工具来完成任务。