吃透LangChain，我的理解像Java的Spring
概念
LangChain 是一个基于 大语言模型（LLMs, Large Language Models） 的开源框架，旨在简化构建复杂语言驱动应用的开发流程。它通过 模块化设计 和 链式调用（Chain） 机制，将自然语言处理任务拆解为可复用、可组合的组件，并支持与外部工具、数据源和记忆系统的集成。其核心目标是 降低开发门槛，使开发者能够快速构建可扩展的、上下文感知的 AI 应用。
LangChain框架图
从下至上分别是：
LangChain 库：Python 和 JavaScript 库，包含接口和集成，用于各种组件的组合，以及现成的链和代理的实现。
LangChain 模板：易于部署的各种任务的参考架构集合。
LangServe：将 LangChain 链部署为 REST API 的库。
LangSmith：开发平台，可用于调试、测试、评估和监控基于任何 LLM 框架构建的链，并与 LangChain 无缝集成。
LangChain 库介绍：
LangChain 的核心组件和能力（六大核心抽象，用于构建复杂的AI应用，同时保持了良好的扩展能力。）
Models（模型）:
Chat Models（聊天模型）: LangChain 提供了一个标准接口，支持聊天模型。这些模型是语言模型的变体，其接口基于消息而不是原始文本。您可以使用不同类型的消息（如 AIMessage、HumanMessage、SystemMessage 和 ChatMessage）与聊天模型进行交互。
Embeddings（嵌入）: 帮助将文本转换为向量表示，以便在应用程序中进行处理。
LLMs（大型语言模型）: LangChain 支持大型语言模型，例如 ChatGPT，用于各种自然语言处理任务。
Prompts（提示）:
Prompt Templates（提示模板）: 提供易于部署的参考架构，适用于不同任务。
Indexes（索引）:
Vector Databases（向量数据库）: 用于存储和检索向量表示，例如文本嵌入。
Interaction Layer Prompts（交互层提示）: 用于构建用户与模型之间的交互。
Memory（记忆）:
External Knowledge（外部知识）: 整合外部知识源，丰富模型的知识库。
External Tools（外部工具）: 与外部环境进行交互，例如通过 API 请求执行操作。
Chains（链）:
LangChain提供了LCEL（LangChain Expression Language）声明式编程语言，将不同组件组合起来解决特定任务，例如在大量文本中查找信息。
Agents（代理）:
使得 LLMs 能够与外部环境进行交互，例如通过 API 请求执行操作
总之，LangChain 是一个强大的工具箱，不仅涵盖了基础工具，还为个性化需求提供了自定义组件解决方案。它使开发者能够更专注于创新和优化产品功能，从原型到生产环境的转化变得更加高效。
LangChain工作流程
如上图，langChain 提供一套提示词模板Iprompt template) 管理工具，负责处理提示词，然后传递给大模型处理，最后处理大模型返回的结果。
LangChain 对大模型的封装主要包括 LLM 和 Chat Model 两种类型：
- LLM-问答模型，模型接收一个文本输入，然后返回一个文本结果。
- Chat Model-对话模型，接收一组对话消息，然后返回对话消息，类似聊天消息一样。
核心概念：
LLMS
LangChain 封装的基础模型，模型接收一个文本输入，然后返回一个文本结果。
Chat Models
聊天模型(或者成为对话模型)，与LLMs不同，这些模型专为对话场景而设计。模型可以接收一组对话消息，然后返回对话消息，类似聊天消息一样。
消息(Message)
指的是聊天模型(Chat Models)的消息内容，消息类型包括包括 HumanMessage、AIMessage.
SystemMessage、FunctionMessage和ToolMessage 等多种类型的消息。
提示(prompts)
LangChain 封装了一组专门用于提示词(prompts)管理的工具类，方便我们格式化提示词(prompts)内容。
输出解析器((Output Parsers)
如上图介绍，Langchain 接受大模型(llm)返回的文本内容之后，可以使用专门的输出解析器对文本内容进行格式化，例如解析 json、或者将 lm 输出的内容转成 python 对象。
Retrievers（RAG知识库）
为方便我们将私有数据导入到大模型(LLM)，提高模型回答问题的质量，LangChain 封装了检索框架(Retrievers)，方便我们加载文档数据、切割文档数据、存储和检索文档数据。
向量存储(Vector stores)
为支持私有数据的语义相似搜索，langchain 支持多种向量数据库。
Agents
智能体 (Agents)，通常指的是以大模型(LLM)作为决策引擎，根据用户输入的任务，自动调用外部系统、硬件设备共同完成用户的任务，是一种以大模型(LLM)为核心的应用设计模式。
应用场景
-
对话机器人:构建智能的对话助手、客服机器人、聊天机器人等。
-
知识库问答: 结合知识图谱,进行开放域问题的问答服务。
-
智能写作: 如文章写作、创意写作、文本摘要等
快速入门
安装LangChain
pip install langchain
# 阿里源
pip install langchain -i https://mirrors.aliyun.com/pypi/simple/
# 清华源
pip install langchain -i https://pypi.tuna.tsinghua.edu.cn/simple/
# 如果一直下载不了，请检查pip版本是否太低
python.exe -m pip install --upgrade pip
不要忘记安装
pip install langchain_openai -i https://mirrors.aliyun.com/pypi/simple/linux服务器上可以使用conda安装
初始化模型
# 引入langchain聊天场景的提示词模版
from langchain.chains.question_answering.map_rerank_prompt import output_parser
from langchain_core.prompts import ChatPromptTemplate
# 对输出进行格式化，自己尝试
from langchain_core.output_parsers import StrOutputParser
# 引入langchain openai sdk
from langchain_openai import ChatOpenAI
# 此处使用我自己的大模型
llm = ChatOpenAI(
# streaming=True,
# verbose=True,
openai_api_key="sk-XXX",
openai_api_base="http://192.168.10.106:11434/v1",
model_name="llama3.2"
)
# 根据message生成提示词
prompt = ChatPromptTemplate.from_messages([
("system", "你是世界级的技术专家"),
("user", "{input}")
])
output_parser = StrOutputParser()
# 通过langchain的链式调用，生成一个chain
chain = prompt | llm | output_parser
# 通过链路的 invoke 方法，进行链式调用，先生成提示词，在调用大模型
result = chain.invoke({"input": "帮我写一篇关于AI的文章，100字左右"})
print(result)输出
**人工智能：未来的革命**
人工智能（Artificial Intelligence，简称AI）正在成为我们日常生活中的重要推动力。随着技术进步，AI越来越能够模仿人类的思维和行为，实现各项任务。从自行车驾驶到 intelligent assistants，AI已经变得更加接近人。然而，它仍面临着防御机制的提升以及负面的社会影响。这让我们在探索 AI 未来的局限性方面产生了新的思考。
在未来的发展中，我们要更多关注 AI 的安全性、可持久性和公众价值观。AI 的进步将带来更高效的工作和生活质量。但同时，也需要我们考虑其对人类社会的影响和合适使用方式，以确保它不会成为灾难性的技术。
**AI：未来的革命，前景不定，但也必然存在**