LangChain框架

概述

LangChain是最流行的LLM应用开发框架，提供了丰富的组件和工具，帮助开发者快速构建基于大语言模型的应用程序。本章将深入介绍LangChain的核心概念、架构设计和实践方法。

核心概念

1. 模型（Models）

LangChain支持多种LLM模型，包括：

OpenAI：GPT-3.5、GPT-4等
Anthropic：Claude系列模型
Google：Gemini系列模型
开源模型：Llama、Mistral等

2. 提示（Prompts）

提示管理是LangChain的核心功能：

PromptTemplate：可重用的提示模板
ChatPromptTemplate：聊天提示模板
FewShotPromptTemplate：少样本提示模板
提示组合：多个提示的组合使用

3. 链（Chains）

链是LangChain的核心抽象，用于组合多个组件：

LLMChain：基础LLM链
SequentialChain：顺序执行链
RouterChain：条件路由链
自定义链：根据需求自定义链

4. 记忆（Memory）

记忆组件用于管理对话历史：

ConversationBufferMemory：完整对话历史
ConversationSummaryMemory：对话摘要
ConversationBufferWindowMemory：滑动窗口记忆
向量存储记忆：基于向量数据库的记忆

5. 索引（Indexes）

索引组件用于文档检索：

文档加载器：加载各种格式的文档
文本分割器：将文档分割成小块
向量存储：存储文档向量
检索器：检索相关文档

6. 代理（Agents）

代理是LangChain的高级抽象，能够动态决定行动：

工具使用：调用外部工具
推理引擎：决定下一步行动
执行循环：执行和观察结果
错误处理：处理执行失败

架构设计

1. 核心架构

LangChain采用分层架构：

应用层
├── Chains（链）
├── Agents（代理）
└── Retrieval（检索）
    ├── Models（模型）
    ├── Prompts（提示）
    ├── Memory（记忆）
    └── Indexes（索引）

2. 组件交互

用户输入 → 提示模板 → LLM模型 → 输出解析 → 结果
                ↑
            记忆组件
                ↑
            工具调用

3. 扩展机制

LangChain支持多种扩展方式：

自定义组件：实现自定义模型、工具等
插件系统：安装第三方插件
回调系统：监控和调试
缓存机制：缓存计算结果

核心API

1. 模型调用

python

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# OpenAI模型
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
    api_key="your-api-key"
)

# Anthropic模型
llm = ChatAnthropic(
    model="claude-3-sonnet-20240229",
    api_key="your-api-key"
)

2. 提示模板

python

from langchain.prompts import ChatPromptTemplate

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。"),
    ("user", "{input}")
])

# 格式化提示
messages = prompt.format_messages(input="你好！")

3. 链构建

python

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser

# 创建链
chain = (
    ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手。"),
        ("user", "{input}")
    ])
    | ChatOpenAI(model="gpt-4o-mini")
    | StrOutputParser()
)

# 执行链
result = chain.invoke({"input": "你好！"})

4. 代理构建

python

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import tool

# 定义工具
@tool
def search(query: str) -> str:
    """搜索互联网"""
    return f"搜索结果: {query}"

# 创建代理
llm = ChatOpenAI(model="gpt-4o-mini")
tools = [search]
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 执行代理
result = agent_executor.invoke({"input": "搜索最新科技新闻"})

5. 记忆管理

python

from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain

# 创建记忆
memory = ConversationBufferMemory(return_messages=True)

# 创建对话链
conversation = ConversationChain(
    llm=ChatOpenAI(model="gpt-4o-mini"),
    memory=memory,
    verbose=True
)

# 对话
response = conversation.predict(input="你好！")

实践指南

1. 环境准备

bash

# 安装LangChain
pip install langchain langchain-openai langchain-anthropic

# 设置环境变量
export OPENAI_API_KEY="your-openai-key"
export ANTHROPIC_API_KEY="your-anthropic-key"

2. 基础示例

python

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser

# 创建简单链
def simple_chain():
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手。"),
        ("user", "{input}")
    ])
    
    llm = ChatOpenAI(model="gpt-4o-mini")
    output_parser = StrOutputParser()
    
    chain = prompt | llm | output_parser
    return chain

# 使用示例
chain = simple_chain()
result = chain.invoke({"input": "解释什么是Python"})
print(result)

3. 工具集成示例

python

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import tool
import requests

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 这里应该是实际的天气API调用
    return f"{city}今天天气晴朗，温度25度"

@tool
def search_web(query: str) -> str:
    """搜索互联网信息"""
    # 这里应该是实际的搜索API调用
    return f"搜索结果: {query}"

def create_agent():
    llm = ChatOpenAI(model="gpt-4o-mini")
    tools = [get_weather, search_web]
    
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手，可以使用工具来获取信息。"),
        ("user", "{input}"),
        ("placeholder", "{agent_scratchpad}")
    ])
    
    agent = create_openai_tools_agent(llm, tools, prompt)
    agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
    return agent_executor

# 使用示例
agent = create_agent()
result = agent.invoke({"input": "北京今天天气怎么样？"})
print(result)

最佳实践

1. 链设计原则

单一职责：每个链只做一件事
可组合性：链应该可以轻松组合
错误处理：添加适当的错误处理
日志记录：记录链的执行过程

2. 性能优化

缓存结果：缓存常见查询结果
异步执行：使用异步API提升性能
批量处理：批量处理多个请求
模型选择：根据任务选择合适的模型

3. 安全考虑

输入验证：验证用户输入
权限控制：限制工具使用权限
敏感信息：避免在提示中包含敏感信息
审计日志：记录所有操作日志

常见问题

1. 安装问题

依赖冲突：使用虚拟环境隔离依赖
版本兼容：检查版本兼容性
API密钥：确保API密钥正确设置

2. 性能问题

响应慢：优化提示设计，减少token数量
内存占用：使用流式处理减少内存占用
并发限制：使用异步处理提升并发能力

3. 调试技巧

verbose模式：开启verbose模式查看执行过程
回调函数：使用回调函数监控执行
日志分析：分析日志定位问题

下一步学习

核心概念详解 - 深入理解LangChain核心概念
API参考手册 - 详细的API文档
最佳实践指南 - 生产环境使用建议

LangChain框架 ​

概述 ​

核心概念 ​

1. 模型（Models） ​

2. 提示（Prompts） ​

3. 链（Chains） ​

4. 记忆（Memory） ​

5. 索引（Indexes） ​

6. 代理（Agents） ​

架构设计 ​

1. 核心架构 ​

2. 组件交互 ​

3. 扩展机制 ​

核心API ​

1. 模型调用 ​

2. 提示模板 ​

3. 链构建 ​

4. 代理构建 ​

5. 记忆管理 ​

实践指南 ​

1. 环境准备 ​

2. 基础示例 ​

3. 工具集成示例 ​

最佳实践 ​

1. 链设计原则 ​

2. 性能优化 ​

3. 安全考虑 ​

常见问题 ​

1. 安装问题 ​

2. 性能问题 ​

3. 调试技巧 ​

下一步学习 ​

LangChain框架

概述

核心概念

1. 模型（Models）

2. 提示（Prompts）

3. 链（Chains）

4. 记忆（Memory）

5. 索引（Indexes）

6. 代理（Agents）

架构设计

1. 核心架构

2. 组件交互

3. 扩展机制

核心API

1. 模型调用

2. 提示模板

3. 链构建

4. 代理构建

5. 记忆管理

实践指南

1. 环境准备

2. 基础示例

3. 工具集成示例

最佳实践

1. 链设计原则

2. 性能优化

3. 安全考虑

常见问题

1. 安装问题

2. 性能问题

3. 调试技巧

下一步学习