LangChain入门--寒枫

官方教程 LangChain home | LangChain Reference Awesome-langchain

Langchain的理念是简化基于 LLM 的应用开发（如对话系统、问答机器人、智能代理等）。作为一个LLM应用的基建工程，从底向上主要分为四个部分

结构

LangChain Lib 库

主要包括core/community/experimental等Python库，源码位置 langchain-ai/langchain/libs/

LangChain Lib从底向上主要包括LangChain-Core/LangChain-Community/LangChain(本身)三大部分 分 LangChain-Core ：LangChain-Core是整个LangChain生态的抽象，比如LangChain Expression Language（LCEL）language models, document loaders, embedding models, vectorstores, retrievers等模块的抽象

LangChain-Community ：LangChain-Community是对Core层抽象的实现，比如对LangChain Expression Language（LCEL）language models, document loaders, embedding models, vectorstores, retrievers等模块抽象的实现

LangChain ：对LangChain-Community部分进行整合和适配，就构成了LangChain这个单一项目。只通过这一个LangChain项目就可以快速构建LLM应用了，它主要由LLMs and Prompts, Chains, Data Augmented Generation, Agents, Memory组成。

LangChain Template 模板库

主要包括各种可参考和借鉴的LLM生产级别应用，源码位置 langchain-ai/langchain/templates

LangServe REST服务支持

主要用于将LLM应用部署为REST服务，源码位置 langchain-ai/langserve

LangSmith 开发者平台

主要包括LL应用从开发、测试、部署、运维于一体的Devops平台

六大组件

模型（Models）

包含各大语言模型的LangChain接口和调用细节，以及输出解析机制。

LangChain 将模型分为三大类，每类对应不同的功能和接口规范：

模型类型	功能描述	核心接口方法
LLM（文本生成模型）	接收文本输入，输出连续文本	predict(text: str) -> str
ChatModel（对话模型）	接收对话消息列表，输出对话回复	predict_messages(messages: List[ChatMessage]) -> ChatMessage
TextEmbedding（文本嵌入模型）	将文本转为向量（用于语义匹配）	embed_documents(texts: List[str]) -> List[List[float]]
通过 API 密钥（如 OpenAI 的OPENAI_API_KEY）或本地模型路径（如 LLaMA 的model_path）初始化，支持环境变量或显式参数传入。

输出解析

模型输出默认是原始字符串，LangChain 提供解析工具将其转换为结构化数据（如 JSON、字典），核心解析器包括： StructuredOutputParser：通过提示词指定格式（如"输出应为JSON，包含name和age字段"），自动解析为字典。 CommaSeparatedListOutputParser：解析为逗号分隔的列表 自定义解析器：通过继承BaseOutputParser实现复杂逻辑（如解析 HTML、Markdown 表格）。

提示模板（Prompts）

提示模板的核心是将 “提示词” 抽象为可复用、可动态配置的模板，解决提示词编写的重复性和复杂性，让模型输出更可控。

1. 核心模板类型

• 基础文本模板（PromptTemplate）：适用于 LLM，支持变量插入，格式为template + input_variables。

from langchain.prompts import PromptTemplate prompt = PromptTemplate( template="请用{'{'}style{'}'}风格总结：{'{'}text{'}'}", input_variables=["style", "text"] # 动态变量 ) formatted_prompt = prompt.format(style="幽默", text="今天天气很好...") ```

• 对话模板（ChatPromptTemplate）：适用于 ChatModel，需指定消息角色（系统、用户、助手），确保对话格式正确。

from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个翻译助手，将{source_lang}译为{target_lang}"), # 系统提示
HumanMessagePromptTemplate.from_template("{text}") # 用户输入
])
```

• 少样本模板（FewShotPromptTemplate）：通过示例（examples）引导模型输出，适用于需要 “参考案例” 的场景（如分类、格式转换）。

  from langchain.prompts import FewShotPromptTemplate, PromptTemplate  
  examples = [{"input": "1+1", "output": "2"}, {"input": "2+3", "output": "5"}]  
  example_template = "输入：{input}\n输出：{output}"  
  few_shot_prompt = FewShotPromptTemplate(examples=examples, ...)  

2. 模板组合与复用

• PipelinePromptTemplate：将多个模板按顺序组合，前一个模板的输出作为后一个的输入（如先生成背景，再生成结论）。
• 动态格式控制：通过partial_variables预填充部分变量

数据检索（Indexes）

数据检索（Indexes） 是连接外部文档（如本地文件、知识库）与大语言模型（LLM）的核心组件，其核心目标是将非结构化数据（文本、PDF、文档等）转化为可高效检索的格式，让 LLM 能基于 “私有知识” 生成回答（而非仅依赖预训练数据）。实现RAG的关键。

记忆（Memory）

Langchain 的 Memory 组件用于维持对话上下文，核心是存储和提取对话历史，使模型能基于过往交互生成连贯回应。

• 核心分类：
  • 短时记忆：如ConversationBufferMemory，直接存储最近对话内容，适合短对话。
  • 长时记忆：如VectorStoreRetrieverMemory，通过向量存储长期对话，支持语义检索。
• 关键功能：
  • 自动整合对话历史到 prompt。
  • 支持记忆清理、截断（如ConversationSummaryMemory通过摘要压缩记忆）。
  • 可与外部存储（如 Redis、数据库）结合，实现跨会话持久化。

链（Chains）

LangChain 中的链根据功能和组合方式可分为基础链、组合链、工具链三大类，每类下有具体实现，覆盖从简单到复杂的任务场景。

1. 基础链（Basic Chains）

基础链是最底层的功能封装，直接连接 “模型” 与 “输入输出”，用于实现单一维度的任务（如文本生成、简单问答）。

• LLMChain（最核心基础链）
  由 “PromptTemplate（提示模板）” 和 “LLM/chat model（大语言模型）” 组成，是所有链的基础单元。
  • 作用：接收用户输入，通过 prompt 模板格式化后传递给模型，输出模型的响应。
  • 示例：用PromptTemplate定义 “生成指定主题的诗句”，结合ChatOpenAI模型，通过LLMChain直接生成结果。

2. 组合链（Combination Chains）

当任务需要多个步骤（多个基础链协同）时，组合链用于定义步骤间的依赖关系（如 “前一步输出作为后一步输入”“按条件选择步骤”）。

• SequentialChain（顺序链）
  按固定顺序执行多个链，前一个链的输出作为后一个链的输入，适用于 “分步处理” 的任务（如 “先分析问题→再生成回答→最后检查格式”）。

RouterChain（路由链）
根据输入内容的 “类型” 或 “特征”，动态选择对应的链执行，适用于 “多场景适配” 的任务（如 “用户可能问问题、翻译、生成摘要，需自动判断类型并调用对应链”）。

• 核心组件：
  • RouterChain：负责 “判断输入类型” 并选择目标链；
  • DestinationChain：被选择的目标链（如问答链、翻译链等）；
  • RouterOutputParser：解析模型对 “输入类型” 的判断结果，确定路由方向

3. 工具链（Tool Chains）

用于集成外部工具（如 API、数据库、搜索引擎），让链具备 “调用工具获取信息” 的能力，是实现 “增强型 LLM 应用” 的核心（如 “检索式问答”“数据分析”）。

代理（Agents）

LangChain中的核心机制，通过“代理”让大模型自主调用外部工具和内部工具，使智能Agent成为可能。

1. 观察（Observation）：接收用户输入和环境上下文
2. 思考（Thought）：LLM 生成推理过程
3. 行动（Action）：选择工具并生成调用参数
4. 工具执行（Tool Execution）：
   • 同步调用：等待工具返回结果
   • 异步调用：支持并行工具调用（v0.1+新增特性）
5. 循环判断：根据返回决定继续或终止
6. 输出结果

LangChain 针对不同场景设计了多种 Agent 类型，核心区别在于 “推理模式” 和 “工具调用方式”：

类型	核心逻辑	适用场景
ReAct Agent	基于 “思考（Reason）- 行动（Act）” 模式，先输出 “思考过程”，再决定调用工具。	复杂推理任务（如逻辑题、多步骤问题），需明确中间思考过程。
Structured Tool Agent	专注于结构化工具调用（如 API、数据库查询），支持严格参数校验。	调用有明确参数要求的工具（如 “调用天气 API，参数：城市 = 北京，日期 = 今天”）。
Self-ask Agent	通过 “内部提问” 分解任务（如 “要回答 A，需先知道 B；要知道 B，需调用工具 C”）。	任务可拆解为子问题的场景（如 “分析某事件影响→先查事件起因→再查关联方反应”）。
Conversational Agent	结合对话记忆（Memory），保持上下文连贯性，优先用自然语言交互。	多轮对话场景（如客服机器人、聊天助手），需记住历史对话内容。
Plan-and-Execute Agent	先规划整体步骤（如 “第一步查数据，第二步分析，第三步可视化”），再分步执行。	长流程任务（如 “写一份行业报告”），需要全局规划避免步骤混乱。

安装与使用

pip install langchain  # 会自动安装langchain-community和core
pip install langchain_openai # 第三方集成库

Langflow

 LangFlow 是 LangChain 的 UI ， 是针对 LangChain 的可视化低代码开发平台，其核心价值是通过拖拽式操作，帮助开发者快速构建、调试和部署基于 LangChain 的 LLM 应用（如聊天机器人、问答系统、智能代理等）

Langchain4j

即 Langchain for java，langchain基于基于 Python 开发，Python 生态为主，Langchain4j 基于 Java/Kotlin 开发。SpringAI同为Java语言的AI应用开发框架。