LangChain 简介

LangChain 是构建 LLM 应用的流行框架，提供了链式调用、Agent、RAG 等丰富的功能模块，让你能够快速构建复杂的 AI 应用。

#为什么使用 LangChain？

#1. 统一的抽象层

LangChain 提供统一的接口，轻松切换不同的 LLM：

python复制
# 切换模型只需改一行
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# OpenAI
llm = ChatOpenAI(model="gpt-4")

# Claude
llm = ChatAnthropic(model="claude-3-sonnet")

# 使用方式完全一样
response = llm.invoke("Hello!")

#2. 强大的功能模块

#3. 丰富的生态系统

• 支持 100+ 种 LLM
• 支持 50+ 种向量数据库
• 支持多种文档格式
• 活跃的社区和文档

#快速开始

#安装

bash复制
# Python
pip install langchain langchain-openai

# 或者安装完整版
pip install langchain[all]

#第一个示例

python复制
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 创建模型
llm = ChatOpenAI(model="gpt-4")

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的翻译，将{source_lang}翻译成{target_lang}"),
    ("user", "{text}")
])

# 创建链
chain = prompt | llm

# 调用
result = chain.invoke({
    "source_lang": "英语",
    "target_lang": "中文",
    "text": "Hello, world!"
})

print(result.content)
# 输出: 你好，世界！

#核心概念

#1. Prompts (提示模板)

动态构建提示词：

python复制
from langchain_core.prompts import ChatPromptTemplate

# 简单模板
prompt = ChatPromptTemplate.from_template(
    "给 {product} 写一句广告语"
)

# 多消息模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个创意文案"),
    ("user", "为 {product} 写广告语，风格：{style}")
])

#2. Chains (链)

组合多个步骤：

python复制
from langchain_core.output_parsers import StrOutputParser

# 使用 LCEL (LangChain Expression Language)
chain = prompt | llm | StrOutputParser()

# 顺序执行
result = chain.invoke({"product": "咖啡"})

#3. Memory (记忆)

保持对话上下文：

python复制
from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
memory.save_context(
    {"input": "我叫小明"},
    {"output": "你好小明！"}
)

# 后续对话可以记住用户名字

#4. Agents (代理)

让 LLM 自主使用工具：

python复制
from langchain.agents import create_openai_functions_agent, AgentExecutor
from langchain_community.tools import DuckDuckGoSearchRun

# 定义工具
tools = [DuckDuckGoSearchRun()]

# 创建 Agent
agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# Agent 会自动决定是否需要搜索
result = agent_executor.invoke({"input": "今天北京天气怎么样？"})

#5. RAG (检索增强生成)

连接外部知识库：

python复制
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 加载文档
loader = TextLoader("knowledge.txt")
documents = loader.load()

# 2. 分割文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
docs = text_splitter.split_documents(documents)

# 3. 创建向量存储
vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())

# 4. 创建检索器
retriever = vectorstore.as_retriever()

# 5. 检索相关内容
relevant_docs = retriever.get_relevant_documents("问题")

#LCEL 表达式语言

LangChain Expression Language 是构建链的推荐方式：

python复制
from langchain_core.runnables import RunnablePassthrough

# 使用管道操作符组合
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 流式输出
for chunk in chain.stream("问题"):
    print(chunk, end="")

#最佳实践

#1. 使用流式输出

python复制
# 提升用户体验
for chunk in chain.stream(input):
    print(chunk.content, end="", flush=True)

#2. 错误处理

python复制
from langchain_core.runnables import RunnableWithFallbacks

# 添加备用模型
chain_with_fallback = chain.with_fallbacks([backup_chain])

#3. 缓存响应

python复制
from langchain.cache import SQLiteCache
import langchain

langchain.cache = SQLiteCache(database_path=".langchain.db")

#常见应用场景

#1. 智能问答系统

python复制
# 基于文档的问答
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    chain_type="stuff"
)

#2. 聊天机器人

python复制
# 带记忆的对话
conversation = ConversationChain(
    llm=llm,
    memory=ConversationBufferMemory()
)

#3. 数据分析 Agent

python复制
# 让 Agent 分析 CSV 数据
agent = create_pandas_dataframe_agent(llm, df)

#下一步

• 安装配置 - 详细安装指南
• Chains 链 - 深入理解链式调用
• RAG 检索增强 - 构建知识库应用

---

提示：LangChain 发展迅速，建议查看 官方文档↗ 获取最新 API。