【AI 大模型】LangChain 框架 ① ( LangChain 简介 | LangChain 模块 | LangChain 文档 )

优质文章学习记录

— 15 min read
【AI 大模型】LangChain 框架 ① ( LangChain 简介 | LangChain 模块 | LangChain 文档 )

文章目录

在这里插入图片描述




一、LangChain 简介


1、LangChain 概念

LangChain是一款专为 构建基于 大语言模型 ( LLM ) 的 应用程序而 设计的 开源框架 ;

LangChain 可以理解为" 大模型应用 开发工具箱 " , 把 和大模型交互、处理数据、连接外部工具 的各种能力 封装成模块化的组件, 大模型 应用开发者 不用从零开始写所有代码 , 借助 LangChain 开发框架 就能 快速搭建 复杂的 AI 应用 ;

LangChain 提供了预构建 的 代理架构 和 模型集成, 可以快速启动 , 并无缝地 将 LLM 融入 智能体 或 大模型应用程序 , 借助 LangChain 可以使用不到 10 行代码 , 就可以连接并使用 OpenAI、Anthropic、Google 等 大语言模型 ;

下图是 LangChain 开发 Agent 智能体的 架构图 ,

每次 提问 , 都要将 历史对话数据 + 本地 RAG 知识库 的数据 输出到 提示词模板中 , 然后再将 拼接好的 提示词 输入到 LLM 大语言模型中 , 得到最终的 结果 ,

LangChain 就是将上述内容 封装起来, 开发者只需要 提前配置好 大模型 和 RAG 知识库 , 即可使用很少的代码 , 实现上述功能 ;

在这里插入图片描述

2、LangChain 定位

LangChain 框架 的 核心价值 在于打破单个 LLM 的能力边界,原生 LLM ( 大语言模型 ) 只能完成 简单的问答、生成任务, 而 LangChain 通过" 模块化 " 和 " 可组合性 ", 让开发者能够轻松整合 LLM 与 外部数据、工具、知识库, 构建出具备复杂逻辑、上下文感知、多步推理能力的 AI 应用,
如 : 智能客服、代码生成助手、知识库问答系统、自主智能体等 ;

如果把大语言模型 ( LLM , Large Language Model ) 比作汽车的 发动机 , 那么 LangChain 就是完整的 汽车底盘 + 传动系统 + 控制系统 ,LangChain 让 " 发动机 " 能适配不同的 " 车身 " ( 应用场景 ) ,实现更复杂的 " 行驶功能 " ( 业务逻辑 ) ;

3、LangChain 开发语言与应用场景

LangChain 支持Python 和 JavaScript / TypeScript 双语言开发, 生态丰富 ,兼容主流 大语言模型 LLM ( OpenAI、Anthropic、Google Gemini、开源的 Llama/GLM 等 ), 是当前 LLM 应用开发的主流框架之一 ;

LangChain 有如下应用场景 :

  • 知识库问答 ( RAG ) : 企业内部文档问答、产品手册问答、法律条文检索 , 核心是" Indexes + RetrievalQAChain " ;
  • 智能对话机器人 : 多轮上下文对话、个性化推荐 , 核心是" Memory + ConversationChain " ;
  • 自主智能体 ( AI Agent ) : 自动写代码、数据分析、科研辅助 ( 如调用 PubMed API 检索论文 + 总结 ) , 核心是" Agents + Tools " ;
  • 文本生成与摘要 : 长文档总结、多文档对比总结、个性化文案生成 , 核心是" LLMChain + Prompt Templates " ;
  • 代码辅助工具 : 代码解释、bug 修复、自动化测试 , 核心是" Agents + PythonREPL Tool " ;

4、LangChain 核心组件

LangChain 核心组件 : LangChain 框架 有 五大核心组件 分别是 LangChain ( 基础框架 ) 、LangGraph ( 多智能体编排 ) 、Deep Agents ( 智能体外骨骼 ) 、LangSmith ( 监控平台 ) ;

  • LangChain ( 基础框架 ) : 智能体系统 的 " 操作系统内核 " ,提供 统一模型接口 与 模块化开发基础 ;
    • 模型抽象 :统一接口 使用适配集成包连接 OpenAI、Anthropic 等 100 + 模型供应商 , 屏蔽差异 ;
    • 提示词工程 :模板化管理与优化, 提升输出质量 ;
    • 工具集成 :支持 API、数据库、向量存储等 数百种外部服务
    • 记忆管理 : 提供多种记忆策略, 解决 LLM 无状态性
    • 文档地址 :https://docs.langchain.com/oss/python/langchain/overview
  • LangGraph ( 多智能体编排 ) :运行时 编排引擎, 实现复杂状态管理与任务流控制 ;
    • 图结构建模 : 用有向图 表示 智能体系统, 支持条件分支、循环和状态持久化
    • 多智能体协作 : 让多个 Agent 智能体 协同完成复杂任务, 如 : 研究 -> 分析 -> 报告流程 ;
    • 可视化调试 :直观呈现 执行路径, 便于 问题定位 ;
    • 文档地址 :https://docs.langchain.com/oss/python/langgraph/overview
  • Deep Agents ( 智能体外骨骼 ) : 该组件专注长周期复杂任务处理 ;
  • LangServe ( 部署服务 ) : 将智能体转化为生产级 REST/gRPC API 的 部署平台, 支持流式输出、批处理 和 异步调用,兼容 FastAPI 生态便于扩展 ,一键部署 ,自动生成文档 ( Swagger/OpenAPI ) ;
  • LangSmith ( 监控平台 ) : 统一的可观测性与质量评估中心 ;

5、LangChain 学习路径

LangChain 学习路径 :

  • 入门阶段 : 先掌握Models、Prompts、LLMChain三个核心模块 , 实现简单的文本生成、问答 ;
  • 进阶阶段 : 学习Indexes、Memory、RetrievalQAChain, 搭建基础的RAG 知识库问答系统 ;
  • 高阶阶段 : 学习Agents、Tools, 构建具备自主决策能力的 AI Agent ;
  • 工程化阶段 : 结合 LangSmith 调试、LangServe 部署 ,实现生产级应用 ;




二、LangChain 模块

LangChain 框架 的架构遵循" 模块化设计 ", 每个模块解决特定场景的问题, 且模块间可灵活组合 ;

LangChain 框架 的 核心价值是模块化组合"LLM 大语言模型与外部资源" , 解决原生 LLM 大语言模型" 无记忆、无工具、无外部数据 " 的问题 ;

在下面 介绍 的 核心模块中 ,Models 是基础 ,Chains 是核心组合方式 ,Agents 是高阶能力 , Indexes 是 RAG 的关键 ;

1、模型输入 / 输出 ( Models )

模型输入 / 输出 ( Models ) : 是 LangChain 的核心层 ,负责与各类 LLM / 嵌入模型 ( Embedding Model ) 交互 , 不包括如下 子模块 :

  • LLMs :对接 大语言模型 的 基础接口,统一不同厂商 ( OpenAI、Anthropic、百度文心等 ) 的 API 调用方式; 例如 , 用 ChatOpenAI 调用 GPT-4 , 用 ChatAnthropic 调用 Claude , 开发者 无需修改核心逻辑 ,只需要修改配置即可切换模型 ;
  • Chat Models :针对 对话式 LLM ( 如 GPT-3.5/4 Turbo、Claude Chat ) 的专用接口, 支持结构化的对话消息( 用户消息、助手消息、系统消息 ) ;
  • Embeddings : 对接 文本嵌入模型 ( 如 OpenAI Embedding、BERT、智谱 AI 嵌入模型 ), 将 文本 转换为 向量表示 , 是知识库问答、文本检索的基础 ;
  • 参考文档 :https://docs.langchain.com/oss/python/langchain/models

下面是最 LangChain 最基本的 封装 OpenAI 大模型的代码示例 :

from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_core.messages import HumanMessage, SystemMessage # 1. 初始化对话模型 chat_model = ChatOpenAI( model="gpt-3.5-turbo", api_key="你的OpenAI API密钥", temperature=0.7# 生成随机性 , 0-1之间)# 2. 构造对话消息并调用模型 messages =[ SystemMessage(content="你是一个专业的Python编程助手 , 回答简洁易懂 ; "), HumanMessage(content="请解释什么是装饰器？")] response = chat_model.invoke(messages)print(response.content)# 3. 初始化嵌入模型并生成文本向量 embeddings = OpenAIEmbeddings(api_key="你的OpenAI API密钥") text ="LangChain是LLM应用开发框架" vector = embeddings.embed_query(text)print(f"向量长度 : {len(vector)}")# OpenAI Embedding输出1536维向量

2、提示词模板 ( Prompts )

提示词模板 ( Prompts ) :提示词是 LLM 应用的核心,但 手写 提示词 易出错、难复用; LangChain 的 Prompts 模块提供 如下 功能 :

提示工程 Prompt engineering 参考文档 :https://docs.langchain.com/langsmith/prompt-engineering

3、索引 ( Indexes )

索引 ( Indexes ) : 当 LLM 需要处理 外部文档 ( 如 PDF、Word、知识库 ) 时 , Indexes 模块 负责将文档转换为 " 可检索 " 的格式, 核心流程是 :

  • 加载文档 ( Load ) : 通过DocumentLoaders 加载 PDF、TXT、网页、Excel 等格式的文件 ;
  • 分割文本 ( Split ) :将 长文档 分割为 短文本块( 避免超出 LLM 上下文窗口 ) ;
  • 嵌入文本 ( Embed ) :将 文本块 转换为 向量 ;
  • 存储向量 ( Store ) :将 文本向量 存入 向量数据库( 如 Chroma、Pinecone、Milvus ) ;
  • 检索文本 ( Retrieve ) :根据 用户问题 检索相关 文本块 ;

4、链 ( Chains )

Chains 是 LangChain 的 " 灵魂 “, 该模块 允许将多个 组件 ( LLM、Prompt、检索器等 ) 组合成一个 可执行的流程, 解决” 单步操作无法完成复杂任务 "的问题 ;

常见的 Chain 类型 :

  • LLMChain : 最基础的链 , 将Prompt Template + LLM 组合 , 实现" 输入参数 -> 生成提示词 -> 调用 LLM -> 输出结果 " ;
  • RetrievalQAChain : 检索增强生成 ( RAG ) 的 核心链 ,组合 " 检索器 + LLM " , 实现" 用户提问 -> 检索相关文档 -> 将文档和问题传入 LLM -> 生成基于文档的回答 " ;
  • SequentialChain :串行链 , 将多个 Chain 按顺序执行, 前一个 Chain 的输出作为后一个的输入 ;

5、记忆 ( Memory )

记忆 ( Memory ) : 原生 LLM 没有 " 记忆 " ,无法记住 多轮对话 的 上下文; Memory 模块解决这个问题 , 核心 模块 类型如下 :

  • ConversationBufferMemory :简单 缓存 所有对话历史 ;
  • ConversationSummaryMemory :对 对话历史 进行总结, 避免上下文过长 ;
  • ConversationTokenBufferMemory :按 Token 数 限制 缓存对话历史, 适配 LLM 的上下文窗口 ;

参考文档 :https://docs.langchain.com/oss/python/concepts/memory

6、代理 ( Agents )

代理 ( Agents ) : Agents 是 LangChain 的高阶能力 ,让 LLM 大语言模型 能 " 自主决策 ", 根据用户问题 , 选择调用哪些工具 ( 如 : 计算器、搜索引擎、代码解释器 ) , 完成多步推理任务 ;

  • Agent : 决策核心 , 负责判断 " 该调用哪个工具 "" 是否需要继续调用工具 " ;
  • Tool : 工具接口 ,LangChain 内置多种工具 ( Calculator、SerpAPI ( 搜索引擎 ) 、PythonREPL ( 代码执行 ) ) , 也支持自定义工具 ;
  • Executor : 执行器 , 负责执行 Agent 的决策 ,调用 工具并返回结果 ;

参考文档 :https://docs.langchain.com/oss/python/langchain/agents

7、 工具 ( Tools )

工具 ( Tools ) : 该模块是 Agents 的基础 ,提供 与 外部系统 交互 的接口; LangChain 内置工具包括 :

  • 计算类 : Calculator、PythonREPL ;
  • 检索类 : SerpAPI ( 谷歌搜索 ) 、DuckDuckGoSearch ;
  • 文件类 : FileBrowser、CSVLoader ;
  • API 类 : RequestsTool ( 调用 HTTP 接口 ) ;

开发者也可通过Tool类自定义工具 , 只需实现 func ( 工具逻辑 ) 和description ( 工具描述 , 供 Agent 判断是否调用 ) ;

参考文档 :https://docs.langchain.com/oss/python/langchain/agents

8、 文档加载器 ( Document Loaders )

负责加载外部文档 ,支持几乎所有主流格式 :

  • 文本类 : TXT、Markdown、JSON ;
  • 办公类 : PDF、Word、Excel、PPT ;
  • 网页类 : URL、HTML、Sitemap ;
  • 数据库类 : MySQL、PostgreSQL、MongoDB ;
  • 其他 : Notion、Confluence、GitHub ;

文档加载 参考文档 :https://docs.langchain.com/oss/python/langchain/knowledge-base#1-documents-and-document-loaders

适配 第三方 文档加载 模型 集成包 参考文档 :https://docs.langchain.com/oss/javascript/integrations/providers/all_providers#file-loaders

9、评估 ( Evaluation )

LLM 应用的效果难以量化 , Evaluation 模块提供评估工具 , 支持 :

  • 手动评估 : 人工打分 ;
  • 自动评估 : 用 LLM 自身评估回答质量 ;
  • 基准测试 : 对比不同模型 / 链的效果 ;

langsmith 评估 参考文档 :https://docs.langchain.com/langsmith/evaluation-quickstart#evaluation-quickstart

langsmith 部署 参考文档 :https://docs.langchain.com/langsmith/deployments




三、LangChain 文档


1、LangChain 功能模块文档

LangChain 功能模块文档 :https://docs.langchain.com/oss/python/langchain/overview , 该文档是LangChain 框架Python 语言的 总览文档 ,左侧章节标题可以跳转到

等文档 ;

在这里插入图片描述

2、LangChain API 参考文档

LangChain API 参考文档 : 这是 LangChain 开发具体对应的的 Python / JavaScript / TypeScript 语言对应的 API 文档 , 主要介绍LangChain 和 LangGraph 构建 大模型应用程序用到的 核心接口 ,每个部分涵盖 LangChain 生态系统中的不同方面 ,使用 顶部 或 左侧 的 导航栏 查看 LangChain 特定模块 的文档 ;

JavaScript / TypeScript 语言 API 文档 :https://reference.langchain.com/javascript/index.html

在这里插入图片描述

下面是 LangChain 框架的 Agents 开发文档 :https://reference.langchain.com/python/langchain/agents/

在这里插入图片描述

3、LangChain 适配第三方模型集成包

LangChain 框架提供了 丰富的适配第三方模型的集成包, 涉及到大语言模型 ( LLMs ) 、聊天模型、检索器、向量数据库、文档加载器 等多个类型的 AI 模型 ;

集成包 指的是 LangChain Python 生态中专门对接不同 AI 模型服务商的 程序模块, 其核心作用是让 开发者不用自己写复杂的 API 调用、参数适配代码, 只需几行简单代码就能在 LangChain 框架 中调用 对应服务商 的 大语言模型 ( LLMs ) 、聊天模型 ( Chat Models ) 等能力 ;

LangChain 框架 集成包 文档 :https://docs.langchain.com/oss/python/integrations/providers/overview

在这里插入图片描述



下面给出一个 集成包示例 ,langchain-openai 集成包是 LangChain 官方提供的、专门对接适配 OpenAI 生态 ( 包括 OpenAI 官方、Azure OpenAI ) 的 集成包 ;

  • 快速调用 OpenAI 的 GPT-3.5/4/4o 等聊天模型、Embedding 嵌入模型 ;
  • 封装了 OpenAI API 的参数 ( 如温度、最大令牌数、上下文窗口 ) , 适配 LangChain 的统一接口 ;
  • 支持流式输出、函数调用 ( Function Calling ) 等 OpenAI 核心特性, 无需手动处理 API 交互细节 ;

langchain-openai 集成包 文档地址 :https://reference.langchain.com/python/integrations/langchain_openai/

在这里插入图片描述

langchain-google-vertexai 集成包是 LangChain 官方适配对接 Google Cloud Vertex AI 平台的集成包( Vertex AI 是 Google 云的一站式 AI 开发平台 ) ; 文档地址 :https://reference.langchain.com/python/integrations/langchain_google_vertexai/

langchain-ollama 集成包是 LangChain 官方 适配对接 Ollama 工具的集成包 ( Ollama 是一款轻量级本地大模型运行工具 , 可一键部署 Llama 3、Phi 3、Mistral 等开源模型 ), 文档地址 :https://reference.langchain.com/python/integrations/langchain_ollama/

4、LangChain 教程指南

LangChain 教程指南文档 :https://docs.langchain.com/oss/python/learn , 在该文档中提供了 一系列教程、概念概述及补充资源 , 借助 LangChain 和 LangGraph 构建 功能强大 的 大模型应用程序 ;

在这里插入图片描述

Read more

Neo4j插件apoc安装及配置（实战经历，一步到位）

Neo4j插件apoc安装及配置（实战经历，一步到位）

目录 apoc插件安装 安装验证 出现的问题 Neo4j版本：Neo4j 5.x apoc版本：同上对应 Neo4j 4.x版本同样适用 apoc插件安装 1.首先查看Neo4j版本（在Neo4j Desktop或命令行中执行）： CALL dbms.components() YIELD name, versions RETURN versions;  结果如下： 2.然后去GitHub上下载这个插件 * 访问 APOC GitHub Releases------------ https://github.com/neo4j/apoc/releases/ * 下载与Neo4j版本一致的apoc-x.x.x.x-all.jar文件（例如Neo4j 5.12.0 → APOC 5.
uniapp-x的HarmonyOS鸿蒙应用开发：tabbar底部导航栏的实现

uniapp-x的HarmonyOS鸿蒙应用开发：tabbar底部导航栏的实现

假期期间，百无聊赖。空闲时间够多了吧？有时候感觉特别的百无聊赖。不睡懒觉，电影不看，手机不刷，游戏不玩，也无处可去。那么做什么呢? 于是翻出来之前做过的“爱影家”影视app项目，找个跨多端的技术栈实战学习一把。我先后尝试了kuikly、flutter 、arkui-x等框架，结果。。。，额，这几个没少踩坑做不动了。真想向天问一下，跨平台框架开发哪家强？最后尝试了下uni-app x，被惊艳到了。果然dcloud很给力啊。且uni-app-x的性能很给力。还停留在uniapp只擅长小程序吗？唯独被诟病的是：uniapp-x的uts语法很难受啊，写法跟ts差异很大，且大模型不认识uts语法。 可以体验打包后的hello uni-app x这个demo项目，地址是：https://hellouniappx.dcloud.net.cn/ 可以看到组件很全面啊，我先后体验了android端，鸿蒙端和小程序端，界面UI效果一致，且鸿蒙端运行相当流畅。可以看到组件还是很丰富的。浏览器端的体检们可以直接访问：https://hellouniappx.

基于动态三维环境下的Q-Learning算法无人机自主避障路径规划研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥 🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️座右铭：行百里者，半于九十。 📋📋📋本文内容如下：🎁🎁🎁  ⛳️赠与读者 👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。      或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎 💥第一部分——内容介绍 基于 Q-learning 的三维无人机动态避障导航方法研究 摘要 针对低空复杂三维环境下无人机自主飞行的安全与路径优化问题，本文提出一种基于 Q-learning 强化学习的无人机导航与避障方法。该方法在离散化

VR跨设备同步：提示工程如何让内容一致？

VR跨设备同步：提示工程如何让内容一致？ 一、一场“找不同”的VR聚会：同步问题的痛与惑 上周末，我和三个朋友凑了四台不同的VR设备——Quest 3、Valve Index、Pico 4、Oculus Rift S，打算一起体验热门的VR密室逃脱《迷室： VR》。我们的目标很简单：合力破解密码锁，打开通向终点的门。但游戏开始10分钟后，场面彻底失控： * 我戴着Quest 3站在密码锁前，朋友A的Valve Index画面里，我还在房间门口“飘着”； * 我转动密码盘输入“123”，朋友B的Pico 4里，密码数字显示的是“456”； * 我抓起桌上的钥匙，朋友C的Oculus Rift S里，钥匙还稳稳地躺在原地…… 原本的“团队协作”变成了“集体找不同”，大家纷纷摘下头显吐槽：“这VR同步也太离谱了吧？” 这不是个例。