LangChain 是一个强大的 Python 和 JavaScript 开源库，用于构建与大语言模型（LLMs）集成的应用程序。它提供了灵活的工具和模块，帮助开发者快速开发聊天机器人、问答系统、文档检索和任务自动化等基于 LLM 的应用。
核心理念
LangChain 的设计基于以下两个核心思想：
- 语言模型与周边组件结合：语言模型擅长生成和理解文本，但需要结合工具（如数据库、搜索引擎）才能高效解决复杂任务。
- 以链式结构完成复杂任务：将任务分解为多个步骤，每个步骤使用语言模型或其他工具来完成，最后组合成完整的解决方案。
模块介绍
LangChain 的主要模块如下：
1. Prompt 模块
-
用于设计与模型交互的提示（prompt）。
-
提供模板化支持，可以动态插入变量。
-
示例：
from langchain.prompts import PromptTemplate template = "Translate the following text to French: {text}" prompt = PromptTemplate(input_variables=["text"], template=template) prompt_text = prompt.format(text="Hello, how are you?") print(prompt_text) # 输出: Translate the following text to French: Hello, how are you?
2. LLM 模块
-
支持集成多种语言模型（如 OpenAI、Hugging Face 等）。
-
提供统一的接口调用模型，简化模型切换。
-
示例：
from langchain_openai import OpenAI
# 配置 API Key 方式 1: 环境变量
# import os
# os.environ["OPENAI_API_KEY"] = "your-openai-api-key"
# 配置 API Key 方式 2: 直接传递参数
llm = OpenAI(model_name="text-davinci-003", temperature=0.7, openai_api_key="your-openai-api-key")
response = llm("What is the capital of France?")
print(response)
3. Chains 模块
-
将多个步骤组合成链式结构（Chain）。
-
支持简单链（单步任务）和复杂链（多步任务）。
-
示例：
from langchain.chains import LLMChain from langchain.prompts import PromptTemplate prompt = PromptTemplate(input_variables=["question"], template="What is {question}?") llm_chain = LLMChain(llm=llm, prompt=prompt) result = llm_chain.run(question="the capital of France") print(result) # 输出: Paris
4. Agents 模块
-
构建动态决策系统，语言模型可以选择工具来完成任务。
-
支持集成工具，如搜索引擎、API 调用、计算器等。
-
示例：
from langchain.agents import initialize_agent, Tool from langchain.tools import Calculator tools = [Tool(name="calculator", func=Calculator().run, description="Perform calculations")] agent = initialize_agent(tools, llm, agent="zero-shot-react-description") response = agent.run("What is 25 multiplied by 4?") print(response) # 输出: 100
5. Memory 模块
-
为对话引入记忆功能，使模型能够记住用户上下文。
-
支持短期记忆（临时会话）和长期记忆（持久存储）。
-
示例：
from langchain.chains import ConversationChain from langchain.memory import ConversationBufferMemory memory = ConversationBufferMemory() conversation = ConversationChain(llm=llm, memory=memory) response1 = conversation.predict(input="Hello!") response2 = conversation.predict(input="What is my name?") print(response1, response2)
6. Document Loaders 和 Retrieval 模块
-
用于加载和检索文档内容。
-
支持多种文档格式（PDF、HTML、数据库）。
-
可结合向量数据库（如 Pinecone、Weaviate）实现知识检索。
-
示例：
from langchain.document_loaders import TextLoader loader = TextLoader("sample.txt") documents = loader.load() print(documents) # 输出: 文档内容
应用场景
-
智能问答系统
- 集成知识库，构建具有上下文记忆的问答机器人。
- 示例：客户支持、企业内部问答系统。
-
自动化任务处理
- 通过 Agents 结合外部工具完成复杂任务，如数据分析、API 调用。
-
文本生成与增强
- 使用 Prompt 模块设计生成模板，实现文本翻译、摘要和润色等。
-
文档检索与信息提取
- 构建基于向量搜索的系统，用于从大量文档中检索关键内容。
优势
- 模块化设计：各模块独立又可协作，方便扩展。
- 多模型支持：兼容不同的 LLM，切换方便。
- 工具集成：可与第三方工具和库深度整合，扩展功能强大。
- 开发效率高：预置了许多常用组件，开发复杂应用时更加快捷。
学习建议
- 从基础模块入手：先熟悉 Prompt 和 LLM 模块。
- 动手实践案例：构建简单的问答系统或自动化工具链。
- 逐步集成工具：学习 Agents 和 Memory，尝试加入外部工具。
- 文档阅读和社区支持：LangChain 文档详细，且社区活跃，及时获取帮助。
案例：文本润色
1. 安装依赖
确保已安装 LangChain 和 OpenAI 库：
pip install langchain openai
2. 代码实现
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
# 初始化 OpenAI 模型（需要设置你的 OpenAI API 密钥）
llm = OpenAI(model_name="text-davinci-003", temperature=0.7)
# 定义 Prompt 模板
template = """
Please rewrite the following text to make it more professional and polished:
{text}
"""
# 创建 PromptTemplate 对象
prompt = PromptTemplate(input_variables=["text"], template=template)
# 示例输入文本
input_text = "I think we should try to make our product better. It's not very good right now."
# 格式化 Prompt
formatted_prompt = prompt.format(text=input_text)
# 调用模型进行生成
response = llm(formatted_prompt)
# 输出结果
print("输入文本:", input_text)
print("润色后的文本:", response)
运行结果示例
输入文本:
I think we should try to make our product better. It's not very good right now.
润色后的文本:
I believe we should focus on improving our product as its current state does not meet expectations.
