当前位置： 首页 > news >正文

第1课、LangChain 介绍

news 2025/6/9 7:12:46

LangChain 介绍

LangChain 是一个以大语言模型（LLM, Large Language Model）为核心的开发框架，旨在帮助开发者高效地将如 GPT-4 等大型语言模型与外部数据源和计算资源集成，构建智能化应用。

1.1 工作原理

如上图所示，LangChain 通过三个核心组件提升了大型语言模型（LLMs）的能力：

  • Components（组件）：为 LLMs 提供接口封装、提示模板和信息检索索引。
  • Chains（链）：将不同组件组合，解决复杂任务，如在大规模文本中检索和处理信息。
  • Agents（代理）：使 LLMs 能与外部环境交互，例如通过 API 请求执行操作。

1.2 主要特性

  • 支持多种数据源接入，如网页、PDF 文件、向量数据库等。
  • 允许语言模型与外部环境实时交互。
  • 封装了 Model I/O（输入/输出）、Retrieval（检索）、Memory（记忆）、Agents（决策与调度）等核心模块。
  • 通过链式结构灵活组装各组件，满足多样化应用需求。

1.3 核心概念

LangChain 由以下核心概念构成：

  • LLM Wrappers：对接主流大语言模型（如 GPT-4、Hugging Face 等）。
  • Prompt Templates：支持动态变量插入，提升 Prompt 工程灵活性。
  • Indexes：高效索引与检索大规模文本或数据库中的相关信息。
  • Chains：将多个组件串联，完成多步推理与复杂任务。
  • Agents：赋予模型自主决策能力，可调用外部工具或 API。

上图展示了一个复杂的自然语言处理系统，包括模型、提示、链、代理以及嵌入与向量存储：

  • Models（模型）：负责理解和生成自然语言。
  • Prompts（提示）：引导模型输出期望结果。
  • Chains（链）：将多个步骤串联，完成复杂任务。
  • Agents（代理）：实现模型与外部环境的动态交互，如 API 调用。
  • Embedding & VectorStore（嵌入与向量存储）：用于数据表示和高效检索，为模型提供语义理解基础。

1.4 工作流程

LangChain 的典型工作流程如下：

  • 用户提出问题。
  • 问题被向量化，用于在向量数据库中进行相似性检索。
  • 检索到的相关信息与原始问题一同输入语言模型。
  • 语言模型基于上下文生成答案或执行操作。

1.5 应用场景

LangChain 的应用场景涵盖但不限于：

  • 智能个人助手：如自动预订、转账、缴税等。
  • 数据分析与数据科学：连接企业内部或外部数据源，提升数据分析效率。
  • 数据连接：将 LLM 与数据库、PDF、文档等私有数据源集成，实现专属知识检索。
  • 自动化行动执行：不仅能检索信息，还可根据检索结果自动执行操作（如发送邮件），无需硬编码。

LangChain 为 AI 应用开发带来了高度的灵活性和扩展性，使机器学习系统能够更好地贴合实际业务需求，推动智能应用的多样化和个性化发展。

LangChain 简介

LangChain 是一个以大语言模型（LLM）为核心的开发框架，旨在让开发者能够更方便地将如 GPT-4 这样的模型与外部数据源和计算资源结合起来。框架目前支持 Python 和 JavaScript（TypeScript）两大主流开发语言，极大地降低了 LLM 应用开发的门槛。

版本介绍

LangChain 目前主要有两个官方维护的版本，分别面向 Python 和 JavaScript/TypeScript 生态：

  • LangChain (Python)

  • 适用于数据科学、AI 应用、后端开发等场景。

  • 社区活跃，文档与案例丰富。

  • 支持主流 LLM（如 OpenAI、Anthropic、HuggingFace）、多种向量数据库（如 FAISS、Chroma、Weaviate），工具链和插件生态完善。

  • PyPI 包名：langchain

  • LangChain.js (JavaScript/TypeScript)

  • 适用于前端、全栈、Node.js 服务端开发。

  • 语法风格与 Python 版趋同，API 设计一致。

  • 支持主流 LLM、向量数据库，兼容浏览器和 Node.js 环境。

  • npm 包名：langchain

两个版本均在持续快速迭代，API 设计趋于统一，便于开发者跨语言迁移和经验复用。

类似框架对比

随着 LLM 应用开发的兴起，业界涌现出多款与 LangChain 类似的框架。下表对主流框架进行简要对比：

框架语言主要特点适用场景
LangChainPython/JS生态完善，组件丰富，支持链式组合、Agent、Memory、插件众多，社区活跃通用 LLM 应用开发
LlamaIndex（原GPT Index）Python/JS专注文档/知识库检索（RAG），文档加载与索引能力强，易与 LangChain 集成知识库问答、RAG
HaystackPython企业级，支持多种后端（Elasticsearch、FAISS、OpenSearch），可视化工具丰富检索增强问答、企业知识库
PromptFlowPython/JS微软出品，强调可视化流程编排和 Prompt 工程，集成 Azure AI 服务流程自动化、企业级集成
FlowiseJS/可视化基于 Node.js 的低代码/可视化 LLM 应用编排，拖拽式界面，易用性强快速原型、非程序员用户

简要分析

  • LangChain：适合需要高度自定义、复杂链路、Agent、插件扩展的开发者，生态最全，社区活跃。
  • LlamaIndex：专注于知识库检索和文档增强生成（RAG），与 LangChain 可无缝集成。
  • Haystack：偏向企业级生产环境，支持多种后端和可视化，适合大规模知识库和检索场景。
  • PromptFlow/Flowise：适合需要可视化、低代码开发的团队，尤其适用于 Prompt 工程和流程自动化。

LangChain 的核心组件

LangChain 的设计高度模块化，主要包括以下核心组件：

  • LLM Wrappers（模型包装器）：无缝对接 OpenAI、Hugging Face 等主流大模型。
  • Prompt Templates（提示模板）：支持动态变量插入，提升 Prompt 工程灵活性。
  • Indexes（索引）：高效检索大规模文本或数据库中的相关信息。
  • Chains（链）：将多个组件串联，完成多步推理与复杂任务。
  • Agents（代理）：赋予模型自主决策能力，可调用外部工具或 API。
  • Memory（记忆）：支持对话历史和上下文记忆，提升智能化水平。

LangChain 的结构设计使 LLM 不仅能处理文本，还能在更广泛的应用环境中进行操作和响应，极大扩展了其应用范围和有效性。

[图片]

LangChain 的工作原理

LangChain 的典型工作流程如下：

  1. 用户提出问题。
  2. 问题被向量化，在向量数据库中检索相关内容。
  3. 检索到的信息与原始问题一同输入 LLM。
  4. LLM 生成答案，或由 Agent 进一步调用外部工具执行操作。

这种设计让 LLM 不再是"黑箱"，而是能够与外部世界实时互动的智能体。

举例：如上图所示，智能问答系统从用户提问开始，通过相似性检索在数据库或向量空间中找到相关信息，结合原始问题由模型分析生成答案，并可由代理执行后续操作，实现数据驱动的自动化决策流程。

LangChain 的应用场景

LangChain 的应用非常广泛，包括但不限于：

  • 智能问答系统（RAG，Retrieval Augmented Generation）
  • 企业知识库检索
  • 智能客服/个人助理
  • 数据分析自动化
  • 自动化办公（如自动发邮件、生成报告）
  • 多轮对话机器人
  • 代码自动生成与解释
  • 数据连接：将 LLM 与数据库、PDF、文档等私有数据源集成，实现专属知识检索。
  • 行动执行：不仅能检索信息，还可根据检索结果自动执行操作（如发送邮件），无需硬编码。

LangChain 为 AI 应用开发打开了全新可能，使机器学习系统更贴合实际需求，推动智能应用的多样化和个性化。

简单案例：用 LangChain 构建本地知识库问答

假设你有一段本地文本资料，希望让大模型基于这些资料进行智能问答。以下为最小可运行的 Python 示例：

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import RetrievalQA
from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter# 1. 构建本地知识库
text = """
LangChain 是一个用于开发基于大语言模型（LLM）应用的开源框架。
它支持多种数据源接入，能够让 LLM 与外部世界无缝连接。
"""
# 文本切分
text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=0)
docs = text_splitter.create_documents([text])# 构建向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embeddings)# 2. 构建问答链
llm = OpenAI(temperature=0)
qa = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vectorstore.as_retriever()
)# 3. 提问
question = "LangChain 有什么用？"
answer = qa.run(question)
print("答案：", answer)

说明

  • 需提前配置 OpenAI API Key（可通过环境变量 OPENAI_API_KEY 设置）。
  • 本案例将本地文本转为向量，用户提问后，LangChain 自动检索相关内容并调用大模型生成答案。
  • 可将 text 替换为自有知识库内容，或扩展为读取 PDF、网页等。

案例2：Prompt模版

from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAIoutput_parser = CommaSeparatedListOutputParser()format_instructions = output_parser.get_format_instructions()
prompt = PromptTemplate(template="列出五个 {subject}.\n{format_instructions}",input_variables=["subject"],partial_variables={"format_instructions": format_instructions},
)model = ChatOpenAI(temperature=0,model="gpt-4",api_key="xk-349774**********",base_url="https://**********/v1/")"""
这段代码定义了一个链式调用的过程，具体步骤如下：
prompt：生成初始提示。｜ model：将提示传递给模型进行处理。｜ output_parser：解析模型的输出结果。
"""
chain = prompt | model | output_parser
chain.invoke({"subject": "最喜欢的食物"})
for s in chain.stream({"subject": "最喜欢的食物"}):print(s)

http://www.xdnf.cn/news/936829.html

相关文章：

  • 算法-数论
  • Java线程池核心原理与最佳实践
  • 永磁同步电机参数辨识算法--IPMSM拓展卡尔曼滤波全参数辨识
  • 73常用控件_QFormLayout的使用
  • 一个自动反汇编脚本
  • 深度学习入门Day3--鱼书学习(2)
  • 前端十种排序算法解析
  • 电压型PHY芯片MDI接口设计
  • 计算机网络笔记(二十九)——5.1运输层协议概述
  • QT线程同步 QReadWriteLock并发访问
  • xtp+ctp 交易系统接口简介
  • DAX权威指南9：DAX 查询分析与优化1
  • leetcode 386. 字典序排数 中等
  • Python爬虫实战：研究demiurge框架相关技术
  • 从零开始打造 OpenSTLinux 6.6 Yocto 系统（基于STM32CubeMX）（十）
  • pgsql batch insert optimization （reWriteBatchedInserts ）
  • Digital IC Design Flow
  • vue3:十六、个人中心-修改密码
  • bugku 网络安全事件应急响应
  • 02.管理数据库
  • CCPC guangdongjiangsu 2025 F
  • 【创新算法】改进深度优先搜索算法配合二进制粒子群的配电网故障恢复重构研究
  • 食养有方：进行性核上性麻痹患者的健康饮食指南
  • 解决SQL Server SQL语句性能问题（9）——SQL语句改写（2）
  • Linux系统防火墙之iptables
  • 工作记录 2017-08-01
  • 若依框架项目前缀配置
  • 如何在最短时间内提升打ctf（web)的水平？
  • Python安装使用教程
  • 实验三：VGA显示实验