当前位置：首页 > news >正文

LangChain框架：AI应用开发利器

news 来源：原创 2025/6/22 4:36:10

前言：LangChain 是一个强大的框架，可以简化构建高级语言模型应用程序的过程。旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM)大型语言模型和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。

1、LangChain 简介

LangChain 是一个用于开发由大型语言模型 (LLMs) 驱动的应用程序的框架。https://python.langchain.com/docs/get_started/introduction

LangChain 简化了 LLM 应用程序生命周期的每个阶段：

开发：使用 LangChain 的开源构建模块、组件和第三方集成构建您的应用程序。使用 LangGraph 构建具有一流流式处理和人机协作支持的有状态代理。
生产化：使用 LangSmith 检查、监控和评估您的链，以便您可以持续优化并自信地部署。
部署：将您的 LangGraph 应用程序转变为生产就绪的 API 和助手，使用 LangGraph Cloud。

具体来说，该框架由以下开源库组成：

langchain-core: 基础抽象和LangChain表达式 (LCEL)。
langchain-community: 第三方集成。
合作伙伴库（例如 langchain-openai、langchain-anthropic 等）：一些集成已进一步拆分为自己的轻量级库，仅依赖于 langchain-core。
langchain: 组成应用程序认知架构的链、代理和检索策略。
LangGraph: 通过将步骤建模为图中的边和节点，构建强大且有状态的多参与者应用程序。与LangChain无缝集成，但也可以单独使用。
LangServe: 将LangChain链部署为REST API。
LangSmith: 一个开发者平台，让您调试、测试、评估和监控LLM应用程序。

2、Langchain 理解

Langchain 是一个开源框架，它允许开发人员将像 GPT-4 这样的大型语言模型与外部的计算和数据源结合起来。目前，它提供了 Python 和 JavaScript（确切地说是 TypeScript）的软件包。

想象一下，如果你能让聊天机器人不仅仅回答通用问题，还能从你自己的数据库或文件中提取信息，并根据这些信息执行具体操作，比如发邮件，那会是什么情况？Langchain 正是为了实现这一目标而诞生的。

数据连接：Langchain 允许你将大型语言模型连接到你自己的数据源，比如数据库、PDF文件或其他文档。这意味着你可以使模型从你的私有数据中提取信息。
行动执行：不仅可以提取信息，Langchain 还可以帮助你根据这些信息执行特定操作，如发送邮件。无需硬编码：它提供了灵活的方式来动态生成查询，避免了硬编码的需求。

上图展示了Langchain的工作原理，这是一个用于提升大型语言模型（LLMs）功能的框架。

它通过三个核心组件实现增强：

首先是 Compents“组件”，为LLMs提供接口封装、模板提示和信息检索索引；
其次是 Chains“链”，它将不同的组件组合起来解决特定的任务，比如在大量文本中查找信息；
最后是 Agents“代理”，它们使得LLMs能够与外部环境进行交互，例如通过API请求执行操作。

Langchain 的这种结构设计使LLMs不仅能够处理文本，还能够在更广泛的应用环境中进行操作和响应，大大扩展了它们的应用范围和有效性。

3、Langchain 核心概念

Langchain 由几个核心概念组成：

LLM Wrappers：这些包装器允许你连接到大型语言模型，如 GPT-4 或 Hugging Face 提供的模型。

Prompt Templates：这些模板让你避免硬编码文本输入。你可以动态地将用户输入插入到模板中，并发送给语言模型。

Indexes：索引帮助你从语言模型中提取相关信息。

Chains：链允许你将多个组件组合在一起，解决特定的任务，并构建完整的语言模型应用程序。

Agents：代理允许语言模型与外部API交互。

上图展示了一个复杂的语言处理系统，其中包含模型、提示、链、代理和嵌入与向量存储。

模型 Models 负责理解和生成语言，提示用于引导模型输出；
链条 Chains 代表将多个步骤串联起来完成复杂任务的过程；
代理 Agents 则用于让模型与外部环境互动，比如执行API调用。
Embedding 嵌入与向量存储 VectorStore 是数据表示和检索的手段，为模型提供必要的语言理解基础。

图中的鹦鹉是一个比喻或者象征，表示这个系统的自然语言处理能力，或者可能暗示系统的输出可以像鹦鹉一样“复述”或者是“回应”用户的输入。如此，这整个系统构成了一个高度集成的框架，能够处理高级语言任务并在多种环境下进行动态交互。

LangChain核心概念表格：

编号	核心概念	描述说明
1	Components and Chains	Component 是模块化的构建块，用于构建强大的应用程序。Chain 是一系列 Components（或其他 Chain）的组合，用于完成特定任务。例如：Prompt 模板、语言模型和输出解析器可组成一个完整的处理链。
2	Prompt Templates and Values	Prompt Template 负责生成 PromptValue，即最终传递给语言模型的内容。PromptValue 可以根据模型类型转换为文本或聊天消息格式，以适配不同模型输入需求。
3	Example Selectors	Example Selectors 可动态选择示例并插入到提示中，提高提示的效果和上下文相关性。它根据用户输入返回合适的示例列表，增强模型理解能力。
4	Output Parsers	Output Parsers 将语言模型的响应解析为结构化格式，提供两种方法：一是生成格式化指令，二是将模型响应解析为结构化数据，便于后续处理与使用。
5	Indexes and Retrievers	Index 用于组织文档，以便语言模型更高效地交互；Retriever 则负责检索相关文档并与模型结合使用。支持多种索引类型，如矢量数据库和文本拆分器等。
6	Chat Message History	ChatMessageHistory 类用于记录对话历史信息，可用于传递回模型、汇总或组合使用，帮助维护上下文，提升模型对对话的理解和响应准确性。
7	Agents and Toolkits	Agent 是决策实体，根据用户输入决定调用哪个工具；Toolkit 是一组协同工作的工具集合，用于完成特定任务；代理执行器负责运行 Agent 并调用相应工具。

4、Langchain 如何工作？

Langchain 的工作流程可以概括为以下几个步骤：

提问：用户提出问题。
向语言模型查询：问题被转换成向量表示，用于在向量数据库中进行相似性搜索。
获取相关信息：从向量数据库中提取相关信息块，并将其输入给语言模型。
生成答案或执行操作：语言模型现在拥有了初始问题和相关信息，能够提供答案或执行操作。

举例：如上图所示展示了一个智能问答系统的工作流程，它从用户提出的问题（Question）开始，然后通过相似性搜索（Similarity Search）在一个大型数据库或向量空间中找到与之相关的信息。

得到的信息与原始问题结合后，由一个处理模型分析，以产生一个答案（Answer）。这个答案接着被用来指导一个代理采取行动（Action），这个代理可能会执行一个API调用或与外部系统交互以完成任务。

整个流程反映了数据驱动的决策过程，其中包含了从信息检索到处理，再到最终行动的自动化步骤。

5、LangChain 的主要特点

LangChain 旨在为六个主要领域的开发人员提供支持：

LLM 和提示：LangChain 使管理提示、优化它们以及为所有 LLM 创建通用界面变得容易。此外，它还包括一些用于处理 LLM 的便捷实用程序。
链(Chain)：这些是对 LLM 或其他实用程序的调用序列。LangChain 为链提供标准接口，与各种工具集成，为流行应用提供端到端的链。
数据增强生成：LangChain 使链能够与外部数据源交互以收集生成步骤的数据。例如，它可以帮助总结长文本或使用特定数据源回答问题。
Agents：Agents 让 LLM 做出有关行动的决定，采取这些行动，检查结果，并继续前进直到工作完成。LangChain 提供了代理的标准接口，多种代理可供选择，以及端到端的代理示例。
内存：LangChain 有一个标准的内存接口，有助于维护链或代理调用之间的状态。它还提供了一系列内存实现和使用内存的链或代理的示例。
评估：很难用传统指标评估生成模型。这就是为什么 LangChain 提供提示和链来帮助开发者自己使用 LLM 评估他们的模型。