LangChain

1. 什么是 LangChain？

LangChain 是一个用于开发由语言模型驱动的应用程序的开源框架。如果说 LLM（大语言模型）是“大脑”，那么 LangChain 就是“四肢”和“感官”，它让大脑能够与外部数据交互、采取行动并保持记忆。

它的核心目标是解决以下两个主要问题：

• 数据感知 (Data-aware)：将语言模型与外部数据源连接起来，包括数据库、API、文档等。
• 代理性 (Agentic)：允许语言模型与其环境进行交互，自主决策并执行操作。

主要组件生态

2. 核心组成模块

LangChain 提供了一套标准化的接口和组件，就像乐高积木一样，可以灵活组合。

图1：LangChain 核心架构概览

3. LCEL 表达式语言 v0.1+

LangChain Expression Language (LCEL) 是 LangChain 最新的核心特性，提供了一种声明式的方式来组合链。它让代码更简洁、更易读，同时支持开箱即用的流式处理、异步执行和并行处理。

LCEL 基本语法

# LCEL 使用管道操作符将组件串联
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 创建组件
prompt = ChatPromptTemplate.from_template("翻译以下内容到{language}: {text}")
model = ChatOpenAI(model="gpt-4")
parser = StrOutputParser()

# 使用 | 组合成链
chain = prompt | model | parser

# 调用链
result = chain.invoke({"language": "日语", "text": "你好世界"})
# 输出: "こんにちは世界"

LCEL 与传统写法对比

4. 主要应用场景

4.1 文档问答 (RAG)

检索增强生成 (Retrieval-Augmented Generation) 是 LangChain 最流行的应用之一。它允许 AI 基于你的私有数据回答问题。

图2：文档检索增强生成 (RAG) 流程示意图

4.2 智能代理 (Agents)

代理不仅仅是回答问题，它还能使用工具（如搜索、计算器、API）来解决复杂任务。Agent 会自主决定使用哪些工具以及以什么顺序执行。

图3：代理决策循环 (ReAct 模式)

4.3 对话机器人

构建具备上下文记忆的对话机器人是 LangChain 的另一个核心场景。通过 Memory 组件，AI 可以记住之前的对话内容，提供更自然的交互体验。

5. 向量数据库集成

向量数据库是 RAG 应用的核心组件，LangChain 支持广泛的向量数据库集成。

向量存储基本流程

# 文档分割与向量存储
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 1. 加载和分割文档
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
docs = text_splitter.split_documents(documents)

# 2. 创建向量数据库
vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings()
)

# 3. 创建检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

6. 快速入门示例

6.1 基础链示例

下面是一个使用 LCEL 的现代写法示例：创建一个提示词模板，连接到 LLM，并执行它。

# 现代 LCEL 写法
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 创建组件
prompt = ChatPromptTemplate.from_template(
    "为生产 {product} 的公司起一个好听的名字是什么？"
)
model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.9)
parser = StrOutputParser()

# 2. 使用 LCEL 组合成链
chain = prompt | model | parser

# 3. 调用链
result = chain.invoke({"product": "彩色袜子"})
print(result)
# 输出: "彩虹足迹有限公司"

6.2 RAG 示例

完整的检索增强生成示例：

# RAG 完整示例
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1. 创建向量数据库
vectorstore = Chroma.from_texts(
    texts=["你的文档内容..."],
    embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever()

# 2. 创建提示词模板
template = """\n根据以下上下文回答问题：
{context}

问题: {question}"""
prompt = ChatPromptTemplate.from_template(template)

# 3. 构建 RAG 链
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI()
    | StrOutputParser()
)

# 4. 查询
result = rag_chain.invoke("你的问题")

6.3 Agent 示例

创建一个具备工具能力的智能代理：

# Agent 示例
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.tools import DuckDuckGoSearchRun

# 1. 定义工具
search = DuckDuckGoSearchRun()
tools = [search]

# 2. 创建提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

# 3. 创建 Agent
llm = ChatOpenAI(model="gpt-4")
agent = create_tool_calling_agent(llm, tools, prompt)

# 4. 创建执行器并运行
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "今天天气怎么样？"})

7. LangServe 部署

LangServe 是 LangChain 官方提供的部署工具，可以将你的链快速部署为 REST API。

部署示例

# server.py
from fastapi import FastAPI
from langserve import add_routes
from your_chain import chain

app = FastAPI(title="LangChain Server")

# 添加链路由
add_routes(app, chain, path="/chain")

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

8. LangSmith 监控

LangSmith 是 LangChain 的可观测性和评估平台，帮助你调试、测试和监控 LLM 应用。

启用 LangSmith

# 设置环境变量
export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="your-api-key"
export LANGCHAIN_PROJECT="my-project"

# 然后正常运行你的链，追踪会自动上报

9. 最佳实践

10. 常见问题

11. 总结与生态