LangChain
访问网站
扫码查看
复制链接

用于构建大语言模型应用的开发框架

标签：AI应用 , LangChain , LangGraph , LangSmith , LLM , RAG , 大语言模型 , 开发框架 , 智能体

LangChain

AI专业工具 / 智能体开发36 次浏览

综合介绍

LangChain是一个开源的开发框架，它的核心目标是简化基于大语言模型（LLM）的应用开发过程。 对于开发者来说，LangChain将与大模型交互的复杂过程进行了封装和抽象，提供了一系列标准化的接口和模块化组件。这些组件就像是预制好的积木，开发者可以将它们“链接”在一起，快速地构建出功能强大的AI应用，例如能够回答特定领域问题的聊天机器人、文档分析和摘要工具、或者能够自主完成任务的智能体（Agent）。 LangChain不仅仅是一个基础框架，它还围绕着应用的开发、生产和部署提供了一整套工具，包括用于调试和监控的LangSmith平台，以及用于构建更复杂、可控的多智能体系统的LangGraph库，从而为开发者提供从原型设计到生产上线的全生命周期支持。

功能列表

LangChain通过其模块化的组件设计，为开发者提供了灵活且强大的功能，使其可以轻松构建复杂的LLM应用。

  • 模型（Models）：这是框架的核心，提供了与各种大语言模型（如OpenAI的GPT系列、Google的Gemini等）交互的统一接口。它支持三种类型的模型：
    • 语言模型：接收文本字符串作为输入，输出文本字符串。
    • 聊天模型：使用一系列聊天消息作为输入和输出，更适合对话场景。
    • 文本嵌入模型：将文本转换为向量表示，用于语义搜索等任务。 [Deepchecks-2]
  • 提示词（Prompts）：管理和优化用户向模型输入的指令。LangChain提供了提示词模板功能，允许开发者创建包含动态变量的、可复用的提示词结构，从而简化了与模型的交互。 [Deepchecks-2, DataCamp-1]
  • 链（Chains）：这是LangChain的核心概念，代表着将多个组件（可以是模型调用，也可以是其他工具）按顺序组合起来的工作流。通过将不同的调用链接在一起，开发者可以构建出比单一LLM调用更复杂的应用。 [Educative-1, GeeksforGeeks-5]
  • 索引（Indexes）：帮助LLM使用外部数据进行增强。该模块提供了加载外部数据（如PDF、网页、数据库）的工具，并将其结构化以便模型可以高效地查询和使用。这对于实现检索增强生成（RAG）至关重要。 [Educative-1]
  • 记忆（Memory）：让应用能够记住之前的交互内容。在多轮对话中，记忆组件可以存储和检索过去的聊天记录，从而使应用能够进行有上下文的、连贯的对话。 [Educative-1]
  • 智能体（Agents）：赋予LLM决策和执行能力。智能体可以使用一系列工具（如搜索引擎、计算器、API），并由模型自主决定调用哪个工具来完成用户指定的任务，从而实现更高级的自动化工作流。 [Ksolves-3, Milvus-2]
  • 集成（Integrations）：LangChain拥有庞大的生态系统，集成了数百个第三方提供商，涵盖了模型、数据库、API等。这使得开发者可以轻松地将外部工具和服务接入到他们的应用中。

使用帮助

下面将详细介绍如何安装LangChain并创建一个基础的AI应用，帮助你快速上手。

第一步：环境准备与安装

在开始之前，你需要确保你的开发环境中已经安装了Python（建议使用3.7或更高版本）。

  1. 创建虚拟环境：为了避免包依赖冲突，强烈建议在一个独立的虚拟环境中安装LangChain。打开你的终端（命令行工具），执行以下命令： 
    # 创建一个名为 lchain-env 的虚拟环境
python -m venv lchain-env
# 激活虚拟环境
# Windows:
lchain-env\Scripts\activate
# macOS/Linux:
source lchain-env/bin/activate
  2. 安装LangChain核心库：LangChain采用模块化设计，你可以按需安装。首先安装其核心库： 
    pip install langchain-core
  3. 安装模型集成库：要使用特定的大语言模型，你需要安装对应的集成包。例如，如果要使用OpenAI提供的模型，需要安装langchain-openai。 
    pip install langchain-openai
  4. 设置API密钥：与大模型交互需要使用API密钥。你需要先在相应的模型提供商网站（如OpenAI）注册并获取密钥。为了安全起见，最好将密钥设置为环境变量，而不是直接写在代码里。
    • 在终端中设置环境变量（此方法仅在当前终端会话中有效）： 
      # Windows
set OPENAI_API_KEY="你的密钥"
# macOS/Linux
export OPENAI_API_KEY="你的密钥"
    • 你也可以将密钥保存在一个.env文件中，然后使用python-dotenv库在代码中加载。

第二步：构建你的第一个LLM应用（问答机器人）

我们将创建一个简单的应用，它可以根据你提供的主题，生成一个相关的笑话。

  1. 导入所需模块：创建一个Python文件（例如 app.py），并导入我们将要使用的核心模块。 
    import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 如果你使用.env文件管理密钥，请取消下面两行注释
# from dotenv import load_dotenv
# load_dotenv()
  2. 初始化模型：实例化一个聊天模型对象。这里我们使用ChatOpenAI，它会默认从环境变量中读取OPENAI_API_KEY。 
    # 初始化聊天模型，默认使用 gpt-3.5-turbo
llm = ChatOpenAI()
  3. 创建提示词模板：提示词模板使得我们可以动态地插入内容。我们创建一个模板，其中包含一个名为 topic 的占位符。 
    # 创建一个提示词模板，它接受一个 "topic" 变量
prompt = ChatPromptTemplate.from_template("讲一个关于 {topic} 的笑话")
  4. 创建输出解析器：LLM返回的原始输出是一个复杂的对象。为了方便使用，我们添加一个输出解析器，它能将模型的回复直接提取为简单的文本字符串。 
    # 创建一个字符串输出解析器
output_parser = StrOutputParser()
  5. 创建并运行“链”：现在，我们使用LangChain表达式语言（LCEL）的管道符 | 将模型、提示词和解析器“链接”在一起。这个链条定义了我们应用的数据处理流程：输入数据先进入提示词模板，然后传递给模型，最后由输出解析器处理结果。 
    # 使用管道符 | 将组件链接在一起，形成一个处理链
chain = prompt | llm | output_parser
# 调用链，并传入主题
# 使用 .invoke() 方法传入一个字典作为输入
response = chain.invoke({"topic": "程序员"})
# 打印结果
print(response)

运行python app.py后，你将会在终端看到一个关于程序员的笑话。通过这个简单的例子，你可以看到LangChain如何将复杂的LLM调用流程简化为几个清晰的步骤。你可以尝试修改topic来生成不同主题的笑话，或者修改提示词模板来让应用执行不同的任务。这是探索LangChain强大功能的起点。

应用场景

  1. 文档问答与信息检索通过结合文档加载器（Document Loaders）和向量数据库，LangChain可以构建强大的检索增强生成（RAG）系统。企业可以将内部的知识库、技术文档或PDF报告作为数据源，让员工用自然语言直接提问并获得精准答案，而不是在大量文件中手动搜索。 [Milvus-2]
  2. 构建智能聊天机器人利用LangChain的“记忆”和“链”组件，可以开发出具有上下文理解能力的聊天机器人。这种机器人能够记住之前的对话内容，为用户提供连贯且个性化的服务，常用于客户支持、产品导购和个人助理等场景。 [LangChain Docs-5]
  3. 自动化工作流与智能体（Agent）LangChain的智能体功能可以将LLM从一个单纯的文本生成工具，转变为一个可以调用外部API、访问数据库、执行代码的“行动者”。例如，可以创建一个智能体来监控销售数据，当发现异常时自动发送邮件警报，或者根据用户指令自动完成预订机票、查询天气等一系列操作。 [Milvus-2]
  4. 数据提取与分析LangChain能够从非结构化的文本中提取出结构化的信息，如从一篇新闻报道中抽取出事件、时间、地点等关键信息并存入数据库。此外，它还能直接用自然语言查询表格数据（如CSV或SQL数据库），极大地降低了数据分析的门槛。 [GitHub-3, Medium-4]
  5. 代码生成与理解对于软件开发团队，LangChain可以用于辅助编程。它可以根据需求描述生成代码片段、解释现有代码的功能、或者将代码从一种编程语言翻译成另一种，从而提高开发效率。 [GitHub-3]

QA

  1. LangChain是免费的吗？LangChain的核心框架是开源且免费的。 你可以在GitHub上获取其源代码，并在自己的项目里自由使用。不过，它本身只是一个开发框架，在实际使用时，调用背后的大语言模型（如OpenAI的GPT-4）通常需要支付费用给相应的服务提供商。
  2. 使用LangChain需要具备什么样的编程基础？你需要具备基础的Python或JavaScript编程知识。 LangChain已经将许多复杂的实现细节封装起来，但理解变量、函数、对象等基本编程概念是必需的。如果你对API的工作方式有所了解，上手会更快。
  3. LangChain和LangSmith、LangGraph之间是什么关系？它们同属于LangChain生态系统，但扮演不同角色：
  • LangChain是基础框架，提供构建应用所需的各种组件。
  • LangSmith是一个配套的运维平台，用于监控、评估和调试基于LangChain（或任何LLM）构建的应用，确保应用在生产环境中的可靠性。
  • LangGraph是一个扩展库，用于构建更复杂的、包含循环和状态控制的智能体应用，特别适合需要多智能体协作或人机协作的场景。
  1. 我可以用自己的数据来训练模型吗？LangChain本身不提供模型训练功能。但是，它提供了一个非常强大的替代方案，即检索增强生成（RAG）。你可以将自己的私有数据（如公司文档）加载到向量数据库中，LangChain可以在生成回答时，先从你的数据中检索相关信息，再交给LLM进行参考，从而让模型能够回答关于你私有数据的问题，这在很多场景下比重新训练模型更高效、成本更低。
微信微博Email复制链接