LangChain 框架详解

1. 什么是 LangChain

LangChain 是一个用于构建基于大语言模型（LLM）应用程序的框架。它提供了一套工具和抽象，使开发者能够轻松地将语言模型与其他数据源和计算工具结合起来，构建复杂的AI应用。

核心特性

模块化设计：提供可组合的组件
链式调用：支持复杂的工作流程
多模型支持：兼容多种LLM提供商
内存管理：支持对话历史和上下文管理
工具集成：可以集成外部API和工具

2. 安装和环境配置

基础安装

bash

pip install langchain

安装特定集成

bash

# OpenAI 集成
pip install langchain-openai

# 向量数据库集成
pip install langchain-chroma
pip install langchain-pinecone

# 其他常用工具
pip install langchain-community

环境变量配置

bash

# 设置 OpenAI API Key
export OPENAI_API_KEY="your-api-key-here"

# 其他API密钥
export ANTHROPIC_API_KEY="your-anthropic-key"
export GOOGLE_API_KEY="your-google-key"

3. 核心概念

3.1 LLMs 和 Chat Models

python

from langchain_openai import OpenAI, ChatOpenAI

# 基础LLM
llm = OpenAI(temperature=0.7)
result = llm.invoke("什么是人工智能？")

# 聊天模型
chat_model = ChatOpenAI(model="gpt-3.5-turbo")
messages = [
    ("system", "你是一个有用的AI助手"),
    ("human", "解释一下机器学习")
]
result = chat_model.invoke(messages)

3.2 Prompts 和 Prompt Templates

python

from langchain.prompts import PromptTemplate, ChatPromptTemplate

# 简单提示模板
prompt = PromptTemplate(
    input_variables=["topic"],
    template="请写一篇关于{topic}的简短介绍"
)

# 聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的{domain}专家"),
    ("human", "请解释{concept}的概念")
])

3.3 Chains（链）

python

from langchain.chains import LLMChain
from langchain_openai import OpenAI

# 创建简单链
llm = OpenAI()
prompt = PromptTemplate(
    input_variables=["question"],
    template="问题：{question}\n答案："
)

chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run("什么是深度学习？")

4. 实际应用示例

4.1 文档问答系统

python

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain_openai import OpenAI

# 1. 加载文档
loader = TextLoader("document.txt")
documents = loader.load()

# 2. 分割文档
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(texts, embeddings)

# 4. 创建问答链
qa = RetrievalQA.from_chain_type(
    llm=OpenAI(),
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

# 5. 提问
answer = qa.run("文档中提到了什么重要概念？")

4.2 对话记忆系统

python

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain
from langchain_openai import OpenAI

# 创建记忆组件
memory = ConversationBufferMemory()

# 创建对话链
conversation = ConversationChain(
    llm=OpenAI(),
    memory=memory,
    verbose=True
)

# 进行对话
response1 = conversation.predict(input="我叫张三")
response2 = conversation.predict(input="我的名字是什么？")

4.3 工具使用（Agent）

python

from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
from langchain_openai import OpenAI
import requests

def search_web(query):
    """简单的网络搜索工具"""
    # 这里可以集成真实的搜索API
    return f"搜索结果：{query}"

def calculate(expression):
    """计算工具"""
    try:
        return str(eval(expression))
    except:
        return "计算错误"

# 定义工具
tools = [
    Tool(
        name="搜索",
        func=search_web,
        description="用于搜索网络信息"
    ),
    Tool(
        name="计算器",
        func=calculate,
        description="用于数学计算"
    )
]

# 创建代理
agent = initialize_agent(
    tools,
    OpenAI(),
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 使用代理
result = agent.run("计算 15 * 23 的结果")

5. 高级功能

5.1 自定义链

python

from langchain.chains.base import Chain
from typing import Dict, List

class CustomChain(Chain):
    """自定义链示例"""
    
    @property
    def input_keys(self) -> List[str]:
        return ["input_text"]
    
    @property
    def output_keys(self) -> List[str]:
        return ["output_text"]
    
    def _call(self, inputs: Dict[str, str]) -> Dict[str, str]:
        # 自定义处理逻辑
        processed_text = inputs["input_text"].upper()
        return {"output_text": processed_text}

# 使用自定义链
custom_chain = CustomChain()
result = custom_chain({"input_text": "hello world"})

5.2 流式输出

python

from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
from langchain_openai import OpenAI

# 创建带流式输出的LLM
llm = OpenAI(
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()]
)

# 流式生成
response = llm.invoke("写一首关于春天的诗")

6. 最佳实践

6.1 错误处理

python

from langchain.schema import OutputParserException

try:
    result = chain.run(input_text)
except OutputParserException as e:
    print(f"解析错误: {e}")
except Exception as e:
    print(f"其他错误: {e}")

6.2 性能优化

python

# 使用缓存
from langchain.cache import InMemoryCache
import langchain
langchain.llm_cache = InMemoryCache()

# 批量处理
inputs = [{"question": f"问题{i}"} for i in range(10)]
results = chain.batch(inputs)

6.3 调试和监控

python

# 启用详细输出
chain = LLMChain(llm=llm, prompt=prompt, verbose=True)

# 使用回调函数
from langchain.callbacks import get_openai_callback

with get_openai_callback() as cb:
    result = chain.run("测试问题")
    print(f"总tokens: {cb.total_tokens}")
    print(f"成本: ${cb.total_cost}")

7. 常见问题和解决方案

问题1：API限制

python

# 添加重试机制
from langchain.llms import OpenAI
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def call_llm_with_retry(llm, prompt):
    return llm(prompt)

问题2：内存管理

python

# 使用滑动窗口内存
from langchain.memory import ConversationSummaryBufferMemory

memory = ConversationSummaryBufferMemory(
    llm=OpenAI(),
    max_token_limit=1000
)

8. 总结

LangChain 是一个强大的框架，它简化了基于LLM的应用开发。通过其模块化的设计，开发者可以快速构建复杂的AI应用，包括聊天机器人、文档问答系统、智能代理等。

CV机器视觉

TinyML

LangChain 框架详解

1. 什么是 LangChain

核心特性

2. 安装和环境配置

基础安装

安装特定集成

环境变量配置

3. 核心概念

3.1 LLMs 和 Chat Models

3.2 Prompts 和 Prompt Templates

3.3 Chains（链）

4. 实际应用示例

4.1 文档问答系统

4.2 对话记忆系统

4.3 工具使用（Agent）

5. 高级功能

5.1 自定义链

5.2 流式输出

6. 最佳实践

6.1 错误处理

6.2 性能优化

6.3 调试和监控

7. 常见问题和解决方案

问题1：API限制

问题2：内存管理

8. 总结

LangChain 框架详解 ​

1. 什么是 LangChain ​

核心特性 ​

2. 安装和环境配置 ​

基础安装 ​

安装特定集成 ​

环境变量配置 ​

3. 核心概念 ​

3.1 LLMs 和 Chat Models ​

3.2 Prompts 和 Prompt Templates ​

3.3 Chains（链） ​

4. 实际应用示例 ​

4.1 文档问答系统 ​

4.2 对话记忆系统 ​

4.3 工具使用（Agent） ​

5. 高级功能 ​

5.1 自定义链 ​

5.2 流式输出 ​

6. 最佳实践 ​

6.1 错误处理 ​

6.2 性能优化 ​

6.3 调试和监控 ​

7. 常见问题和解决方案 ​

问题1：API限制 ​

问题2：内存管理 ​

8. 总结 ​

LangChain 框架详解

1. 什么是 LangChain

核心特性

2. 安装和环境配置

基础安装

安装特定集成

环境变量配置

3. 核心概念

3.1 LLMs 和 Chat Models

3.2 Prompts 和 Prompt Templates

3.3 Chains（链）

4. 实际应用示例

4.1 文档问答系统

4.2 对话记忆系统

4.3 工具使用（Agent）

5. 高级功能

5.1 自定义链

5.2 流式输出

6. 最佳实践

6.1 错误处理

6.2 性能优化

6.3 调试和监控

7. 常见问题和解决方案

问题1：API限制

问题2：内存管理

8. 总结