LangChain学习及应用(超详细)

VIPLangChain学习及应用(超详细)
Model I/O 部分是与语言模型进行交互的核心组件,包括输入提示(Prompt Template)、调用模型(Model)、输出解析(Output Parser)。简单来说,就是输入、处理、输出这三个步骤。LLM 因其具有海量参数,需要花费相当的物力与时间成本进行预训练和微调,同时商用 LLM 还需要进行各种安全测试与风险评估等。因此 LLM 会存在知识滞后的问题。在专有领域,LLM 无法学习到所有的专业知识细节,因此在面向专业领域知识的提问时,无法给出可靠准确的回答。
开通可读全文 ·4.2k 人阅读
最低0.47元/天 解锁文章

一、LangChain概述

1.1 什么是 LangChain

github地址:https://github.com/langchain-ai/langchain

官网地址:https://www.langchain.com/langchain

官方文档:https://docs.langchain.com/oss/python/langchain/overview

API 文档:https://reference.langchain.com/python/langchain/

LangChain是2022年10月,由哈佛大学的Harrison Chase(哈里森·蔡斯)发起研发的一个开源框架,用于开发由大语言模型(LLMs)驱动的应用程序。比如,搭建 Agent、问答系统(QA)、对话机器人、文档搜索系统等。LangChain 之于 LLMs,类似 Spring 之于 Java,Django 之于 Python。顾名思义,LangChain中的“Lang”是指language,即大语言模型,“Chain”即“链”,也就是将大模型与外部数据&各种组件连接成链,以此构建AI应用程序。

1.2 有哪些大模型应用开发框架

框架

描述

LangChain

(Python)

出现最早、最成熟的,适合复杂任务分解和单Agent应用

LlamaIndex

(Python)

专注于高效的索引和检索,适合 RAG 场景

LangChain4J

(Java)

LangChain出了Java、JavaScript(LangChain.js)两个语言的版本,LangChain4j的功能略少于LangChain,但是主要的核心功能都是有的

SpringAI / SpringAI Alibaba

(Java)

有待进一步成熟,只是简单的对于一些接口进行了封装

SemanticKernel

(C#)

微软推出的,对于C#同学来说,那就是5颗星

1.3 为什么需要LangChain

使用LangChain的好处:

  • 简化开发难度:更简单、更高效、效果更好。
  • 开发人员可以更专注于业务逻辑,而无须花费大量时间和精力处理底层技术细节。
  • 学习成本更低:不同模型的API不同,调用方式也有区别,切换模型时学习成本高。使用LangChain,可以以统一、规范的方式进行调用,有更好的移植性。
  • 现成的链式组装:LangChain提供了一些现成的链式组装,用于完成特定的高级任务。让复杂的逻辑变得结构化、易组合、易扩展。

1.4 LangChain 使用场景

项目场景

技术点

文档问答助手

Prompt + Embedding + RetrievalQA

智能日程规划助手

Agent + Tool + Memory

LLM+数据库问答

SQLDatabaseToolkit + Agent

多模型路由对话系统

RouterChain + 多 LLM

互联网智能客服

ConversationChain + RAG +Agent

企业知识库助手(RAG + 本地模型)

VectorDB + LLM + Streamlit

1.5 LangChain 生态位置

1.6 LangChain 架构

  • LangChain 帮助快速开始构建 Agent ,支持选择的任何模型提供商。
  • LangGraph 允许通过低级编排、记忆和人工参与支持来控制自定义 Agent 的每一步。可以管理具有持久执行能力的长时间运行任务。
  • LangSmith 是一个帮助 AI 团队使用实时生产数据进行持续测试和改进的平台。提供观测、评估与部署功能。
  • Deep Agents 用于构建能够规划、使用子 Agent 并利用文件系统处理复杂任务的 Agent,受 Claude Code、Deep Research 和 Manus 等应用的启发。

包

描述

langchain

包含构建使用 LLM 的应用所需的所有实现的主入口点

langchain-core

LangChain 生态系统中的核心接口和抽象

langchain-text-splitters

用于文档处理的文本分割工具

langchain-mcp-adapters

在 LangChain 和 LangGraph 应用中提供 MCP 工具

langchain-tests

用于验证 LangChain 集成包实现的标准化测试套件

langchain-classic

遗留的 angchain 实现和组件

1.7 LangChain的核心组件

LangChain的核心组件主要涉及四个部分:Model I/O、Chains、RAG、Agents。

  • Model I/O

标准化大模型的输入和输出,包含提示模版,模型调用和格式化输出。

  1. Format(格式化):通过模板管理大模型的输入。将原始数据格式化成模型可以处理的形式,插入到一个模板中,然后送入模型进行处理。
  2. Predict(预测):调用 LLM 接收输入,进行预测或生成回答。

  3. Parse(解析):规范化模型输出。比如将模型输出格式化为 JSON。

  • Chains

“链条”用于将多个组件组合成一个完整的流程,方便链式调用。

  • RAG

对应RAG:检索外部数据,作为参考信息输入LLM辅助生成答案

  1. Source:多种类型的数据源:视频、图片、文本、代码、文档等。
  2. Load:将多源异构数据统一加载为文档对象。
  3. Transform:对文档进行转换和处理,比如将文本切分为小块。
  4. Embed:将文本编码为向量。
  5. Store:将向量化后的数据存储起来。
  6. Retrieve:从文本库中检索相关的文本段落。
  • Agents

Agent 自主规划执行步骤并使用工具来完成任务。

二、Model I/O

2.1 介绍

  Model I/O 部分是与语言模型进行交互的核心组件,包括输入提示(Prompt Template)、调用模型(Model)、输出解析(Output Parser)。简单来说,就是输入、处理、输出这三个步骤。

2.2 调用模型

2.2.1 直接调用在线大模型

  • 设置环境变量

我的windows电脑,设置环境变量如下(主要是避免大模型api-key明文写在代码里),通过os.getenv获取api-key:

  • 调用测试
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("aliQwen-api"),
)

completion = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": "你是谁"}],
)
print(completion.choices[0].message.content)

2.2.2 LangChain API调用模型

通常通过聊天模型接口访问 LLM,该接口通常以消息列表作为输入并返回一条消息作为输出。

输入:接受文本 PromptValue 或消息列表 List[BaseMessage],每条消息需指定角色(如 SystemMessage、HumanMessage、AIMessage)

输出:返回带角色的消息对象(BaseMessage 子类),通常是 AIMessage

import os
from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage, HumanMessage, AIMessage

llm = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("aliQwen-api"),
)

messages = [
    SystemMessage(content="你是一个诗人"),
    HumanMessage(content="写一首关于春天的诗"),
]
resp = llm.invoke(messages)
print(type(resp))  # <class 'langchain_core.messages.ai.AIMessage'>
print(resp.content)

2.2.3 模型初始化相关参数

初始化一个模型最简单的方法就是使用 init_chat_model,并设置必要的参数,例如 API-Key 和模型名称。除此之外还有一些其他参数。

参数

说明

model

模型名称或标识符

base_url

发送请求的 API 端点的 URL。常由模型的提供商提供

api_key

与模型提供商进行身份验证所需的 API 密钥

temperature

控制模型输出的随机性。数字越高,回答越有创意;数字越低,回答越确定

timeout

在取消请求之前,等待模型响应的最大时间(以秒为单位)

max_tokens

限制响应中的总tokens 数量,控制输出长度

max_retries

请求失败时系统尝试重新发送请求的最大次数

2.2.4 对话模型的 Message

对话模型的输入可以是文本提示、消息提示或是字典格式。

  • 文本提示是字符串,适用于不需要保留对话历史的直接生成任务。
  • 消息提示是将消息对象列表输入模型,方便管理对话历史,包含系统指令以及处理多模态数据。

  • 字典格式可以按照 OpenAI 聊天补全格式创建字典列表组成消息。一条消息通常包含 role(角色)、content(内容)、metadata(元数据)。

消息类型如下(HumanMessage、AIMessage 和 SystemMessage 是常用的消息类型。

ToolMessage 是在工具调用场景下才会使用的特殊消息类型。):

消息类型

描述

SystemMessage

代表一组初始指令,用于引导模型的行为。可以使用系统消息来设定语气、定义模型的角色,并建立响应的指导方针

HumanMessage

表示用户输入

AIMessage

模型生成的响应,包括文本内容、工具调用和元数据

ToolMessage

表示工具调用的输出

2.2.5 调用方法

聊天模型提供了三种主要的调用方法:

invoke / ainvoke

将单个输入转换为输出

batch / abatch

批量将多个输入转换为输出

stream / astream

从单个输入生成流式输出

带有“a”前缀的方法是异步的,需要与 asyncio 和 await 语法一起使用以实现并发。

2.2.5.1 非流式/流式输出

在Langchain中,语言模型的输出分为了两种主要的模式:流式输出与非流式输出。

  • 非流式输出:用户提出需求请编写一首诗,系统在静默数秒后突然弹出了完整的诗歌。如同一种“提交请求,等待结果”的流程,实现简单,但体验单调。
  • 流式输出:用户提问,请编写一首诗,当问题刚刚发送,系统就开始一字一句(逐个token)进行回复,更像是“实时对话”,贴近人类交互的习惯。
import os
from langchain.chat_models import init_chat_model

llm = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("aliQwen-api"),
)

messages = [
    {"role": "system", "content": "你是一名数学家"},
    {"role": "user", "content": "请证明以下黎曼猜想"},
]
# resp = llm.invoke(messages)
# print(resp.content)
# 使用 stream() 方法流式输出
for chunk in llm.stream(messages):
# 逐个打印内容块,并刷新缓冲区以即时显示内容
    print(chunk.content, end="", flush=True)
2.2.5.2 批量调用

将一组独立的请求批量发送给模型并行处理。batch 默认没有依赖底层 API 的原生批量接口,而是使用线程池并行执行多个 invoke()。所以它对 IO 密集型任务(如调用远程 LLM API)很有效。

import os
from langchain.chat_models import init_chat_model

llm = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("aliQwen-api"),
)

messages = [
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于春天的诗"},
    ],
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于夏天的诗"},
    ],
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于秋天的诗"},
    ],
]
resp = llm.batch(messages)  # 批量调用,返回一个消息列表
print(resp)
2.2.5.3 同步/异步调用
import os
import time
from langchain.chat_models import init_chat_model

llm = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("aliQwen-api"),
)

messagess = [
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于春天的诗"},
    ],
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于夏天的诗"},
    ],
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于秋天的诗"},
    ],
]

start_time = time.time()

resps = [llm.invoke(messages) for messages in messagess]
print(resps)

end_time = time.time()
print(f"Total time: {end_time - start_time}")
# Total time: 18.67403507232666
import os
import time
import asyncio
from langchain.chat_models import init_chat_model

llm = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("aliQwen-api"),
)

messagess = [
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于春天的诗"},
    ],
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于夏天的诗"},
    ],
    [
        {"role": "system", "content": "你是一位诗人"},
        {"role": "user", "content": "写一首关于秋天的诗"},
    ],
]


async def async_invoke():
    tasks = [llm.ainvoke(messages) for messages in messagess]
    return 
VIP LangChain入门指南 LangChain是一个强大的框架,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) 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。官方文档:https://python.langchain.com/en/latest/ 开通可读全文·4w 阅读·61 点赞·487 收藏 阅读全文

相关推荐

AI基础入门(应用开发篇)——LangChain:一个AI应用开发生态

摘要: LangChain是一个快速演化的开发框架,用于构建基于大语言模型的应用,其核心价值在于提供基础抽象(如模型、解析器、提示词模板等)和表达式语言(LCEL),通过组件组装成链实现功能。LangChain包含三个层次:开发框架(核心抽象与LCEL)、社区生态(各类模型、工具、提示词模板的实现)和扩展生态(如LangServe、LangSmith等工具)。开发者可根据需求选择是否使用LangChain,其丰富的示例和资源也使其成为学习大模型应用开发的重要材料。框架虽强大,但需结合实际场景评估其适用性。

小志的博客 1215

langchain-examples学习资料汇总 - LangChain框架应用集合

langchain-examples是GitHub上的一个开源项目,由alphasecio维护。该项目包含了一系列由LangChain驱动的应用示例,涵盖了LangChain的多种用法,非常适合初学者学习和参考。项目地址:langchain-examples项目为LangChain的学习和应用提供了丰富的实例和参考。无论你是LangChain新手还是有经验的开发者,都可以从这个项目中获得启发。快来探索这些示例,开启你的LangChain之旅吧!记得给项目点个Star支持一下作者哦!

m0_56734068的博客 1422

使用LangSmith来快速学习LangChain

好风凭借力,送我上青云!总的来说,LangSmith还处于快速开发的阶段(LangChain本身也才0.0.348版),某些功能还比较简陋。从另一方面来说,我们可以和它一起成长,更快速掌握LangChain,打造自己的LLM应用。

dayzhongni的博客 1507

[LangChain 学习资源大集合]

DeepLearning.AI 推出的课程:帮助掌握 LLM 应用开发的核心原理。:教你如何快速构建基于自有数据的聊天应用。:深入解析 LangChain 中的函数与代理。:针对 JavaScript 开发者的专门课程。LangChain 是一个功能强大且灵活的框架,在 LLM 应用领域具有广泛的应用场景。学习 LangChain 的核心模块(如 Prompt 模型、链式调用、代理和工具),不仅能够提升开发效率,也能大大扩展你的技术能力。

qahaj的博客 2293

langchain入门学习笔记

langchain快速入门

1737

《使用 LangChain 进行大模型应用开发》学习笔记(四)

本课程介绍了强大且易于扩展的 LangChain 框架,LangChain 框架是一款用于开发大语言模型(LLM)应用的开源框架,其使用提示词、记忆、链、代理等简化了大语言模型应用的开发工作。

wwtg9988的博客 2016

通过LangChain快速构建多语言翻译应用

通过本文,您学会了如何使用LangChain构建简单的LLM应用。LangChain表达式语言(LCEL)LangServe部署指南LangSmith文档。

2302_76799645的博客 4656

LangChain教程:构建基于GPT的应用程序

这就是全部内容!您现在知道如何使用LangChain构建一个简单的问答应用程序。希望您对LangChain的功能有了初步了解。作为下一步,尝试探索LangChain以构建更有趣的应用程序。祝编码愉快!​。

python122_的博客 1882

《使用 LangChain 进行大模型应用开发》学习笔记(五)

本课程介绍了强大且易于扩展的 LangChain 框架,LangChain 框架是一款用于开发大语言模型(LLM)应用的开源框架,其使用提示词、记忆、链、代理等简化了大语言模型应用的开发工作。

wwtg9988的博客 1555

决策大模型与生成式大模型有何不同?一文拆解技术框架与落地路径

大模型技术正从内容生成走向复杂场景的智能决策。与生成式大模型拟合概率分布不同,决策大模型以序列决策为核心,融合强化学习机制,在动态环境中感知反馈、持续修正行动路径。其技术框架涵盖语义理解、规划推理与闭环决策,并通过世界模型进行低成本仿真推演,显著提升供应链调度、物流排程等场景的应对效率。实际落地时需结合传统优化算法与人工兜底,构建“语义先导+数值寻优”的分层架构,才能平衡精度与稳定性。这篇内容拆解决策大模型的技术组成、落地路径与常见误区,为企业智能化转型提供可参考的实践框架。

weixin_29057163的博客 196

stackelberg博弈_博弈论、多智能体、强化学习(随便记点东西)

多智能体应用场景:已实现:游戏AI。正在努力:UAV,物资运输,快递分发,交通系统。未来:社会学,预测群体行为,城市区域合作,国际关系。博弈论基本定义:玩家集合: 策略集合: 收益函数: 囚徒困境:两智能体矩阵博弈坦白抵赖坦白1,13,0抵赖0,32,2占优策略与最佳应对:上表中两者均具有占优策略,即无论如何都应该选坦白。那么构造下表。坦白抵赖坦白1,13,0抵赖0,12,2对于玩家一来说,坦白...

weixin_39611722的博客 3002

从查表法到实时计算:SimpleFOC库中正弦函数优化的技术演进

本文深入探讨了SimpleFOC库v2.0.1版本中正弦函数优化技术的演进,从传统查表法到实时计算的创新实践。通过定点数优化、对称性利用和分段线性插值等关键技术,实现了在嵌入式电机控制中的高效三角函数计算,显著提升性能和资源利用率。

weixin_28273593的博客 458

基于 Datawhale 开源量化投资学习指南(10):基于 LightGBM 的量化选股

通过本篇文章,我们深入探索了如何运用 LightGBM 机器学习模型实现量化选股。首先,我们通过获取股票的历史数据,进行特征工程和标签制作,将选股问题转化为一个分类问题。接着,我们使用 LightGBM 训练模型,并在验证集和测试集中评估了模型的表现。该选股策略的核心在于结合机器学习算法,从历史数据中寻找能够捕捉股票短期涨跌的关键特征,从而为投资者提供辅助决策支持。虽然本文的模型取得了一定的效果,但这只是量化投资领域的一小部分。

不想宅的冷同学 1352

SAP 超详细解析信用控制

当然,集团内中国区、日本或欧洲区的公司使用了不同本位货币会计核算虽然分开,但对于客户的信用也可以统一管 理的,只要将这些不同本位币的公司代码纳入同一信用控制范围,信用控制范围货币可以考虑使用总部集团的货币,各公司代码的信用发生额自动根据系统设定汇率 转换为统一的信用控制范围货币。此步有一个“覆盖CC范 围”的选项,表示在过账时此步缺省的分配给公司代码的信用控制范围可以在其它信用控制范围使用,有时当一个公司代码的客户需要将信用数据过账到其它信用控 制区域,这个选择就非常有必要。

matinal 當冬夜漸暖 。公众号:matinal 1万+

在 SAP S/4HANA Public Cloud 中做产品扩展:从 Key User 到 ABAP Cloud 与 BTP 的三轨实践指南

摘要:SAP S/4HANA Public Cloud 提供三种扩展方式(key user、developer extensibility 和 side-by-side),遵循 clean core 原则确保升级稳定。key user 扩展适合无代码轻量改良,developer extensibility 用于受控 ABAP 开发,side-by-side 则适用于云原生独立应用。文章通过销售订单优先级字段、退货审批微服务和采购校验等案例,说明不同扩展路径的适用场景与实现方法,帮助开发者在三系统景观中合理选

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 299

从零实现深度学习框架——理解正则化(一)

本文介绍解决过拟合与欠拟合的方法——正则化,主要介绍L1和L2正则化。

日积月累,天道酬勤 3396

22、嵌入式软件随机延迟生成与加密算法防护技术

本文探讨了嵌入式软件中的随机延迟生成方法与块密码软件实现的高阶掩码及洗牌技术。重点介绍了浮动均值延迟生成方法,其在8位AVR平台上的实现效率为Θ(1),显著提升了抗相关功率分析(CPA)攻击的能力,相比传统方法更安全且轻量。同时,分析了高阶掩码与洗牌技术结合的方案,通过理论建模量化其对高级差分功率分析(DPA)攻击的抵抗能力,并以AES为例展示了该方案的应用流程。最后对比了不同防护技术在安全性与开销之间的权衡,为实际应用中选择合适的安全策略提供了依据。未来可进一步优化实现效率并融合多种防护手段以应对复杂安全

fern8的博客 89

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: Spring AI Alibaba入门学习(七)
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址