当前位置：首页 > news >正文

百度经验官方网站登录入口常州网站建设方案优化

news 2025/10/9 6:13:29

百度经验官方网站登录入口,常州网站建设方案优化,新媒体运营基础知识,做网站图片大小不合适怎么调🤝 OpenAI原生调用 vs LangChain调用方式的关系 🔗 两者关系概述 OpenAI原生调用和LangChain调用是不同抽象层次的API访问方式，它们之间的关系可以理解为： 底层与高层的关系：OpenAI原生是底层直接调用，Lang…

🤝 OpenAI原生调用 vs LangChain调用方式的关系

🔗 两者关系概述

OpenAI原生调用和LangChain调用是不同抽象层次的API访问方式，它们之间的关系可以理解为：

底层与高层的关系：OpenAI原生是底层直接调用，LangChain是在其之上的高层抽象
基础与扩展的关系：LangChain使用OpenAI API作为基础，在此基础上构建更复杂的功能
简单与复杂的关系：OpenAI原生适合简单调用，LangChain适合复杂应用场景

📊 对比表格

特性	OpenAI原生调用	LangChain调用
抽象级别	低级别，直接API调用	高级别，封装后的调用
使用复杂度	简单直接	相对复杂但功能丰富
功能范围	基础模型调用	链式调用、代理、记忆等高级功能
代码示例	`client.chat.completions.create()`	`llm.invoke()` 或 `chain.invoke()`
依赖关系	直接依赖OpenAI库	依赖LangChain，LangChain再依赖OpenAI
灵活性	高度灵活，可精细控制	标准化，但可通过组件定制

🔄 转换示例

OpenAI原生方式 → LangChain方式

OpenAI原生调用：

from openai import OpenAIclient = OpenAI(api_key="your-api-key")response = client.chat.completions.create(model="gpt-3.5-turbo",messages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Hello!"}]
)
print(response.choices[0].message.content)

对应的LangChain调用：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessagellm = ChatOpenAI(model="gpt-3.5-turbo",api_key="your-api-key"
)messages = [SystemMessage(content="You are a helpful assistant."),HumanMessage(content="Hello!")
]response = llm.invoke(messages)
print(response.content)

🏗️ LangChain的架构层次

你的应用代码↓
LangChain组件 (Chains, Agents, Memory)↓
LangChain LLM包装器 (ChatOpenAI, OpenAI)↓
OpenAI原生SDK (openai package)↓
HTTP请求到OpenAI API

💡 何时选择哪种方式？

选择OpenAI原生调用的场景：

简单的一次性调用
需要最大程度的控制权
不想引入额外依赖
调试和测试API直接行为

选择LangChain调用的场景：

构建复杂的AI应用
需要链式调用多个步骤
使用代理(Agents)、记忆(Memory)等高级功能
希望代码更模块化和可复用
需要支持多种模型供应商

🔧 LangChain的优势功能

# 1. 链式调用 (Chaining)
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_template("翻译这段文字: {text}")
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.invoke({"text": "Hello world"})# 2. 记忆功能 (Memory)
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
# 可以保存和回忆对话历史# 3. 代理功能 (Agents)
from langchain.agents import AgentType, initialize_agent, load_tools
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION)

🌐 多模型支持

LangChain的一个主要优势是模型无关性：

# 可以轻松切换不同模型
from langchain_community.llms import OpenAI, Anthropic, Cohere# OpenAI
llm_openai = ChatOpenAI(model="gpt-3.5-turbo")# 理论上支持其他模型（需要相应SDK）
# llm_anthropic = Anthropic(model="claude-2")
# llm_cohere = Cohere(model="command")