LangChain开发指南 - AI技术学习平台

🔗 LangChain开发指南

构建LLM应用的核心框架

🔗

什么是LangChain？

LLM应用开发框架

LangChain核心设计

┌─────────────────────────────────────────────────────────────────┐ │ │ │ LangChain = 组件化 + 链式调用 + 代理机制 │ │ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ Models │ + │ Prompts │ + │ Chains │ + │ Agents │ │ │ └─────────┘ └─────────┘ └─────────┘ └─────────┘ │ │ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ Memory │ + │ RAG │ + │Callbacks│ │ │ └─────────┘ └─────────┘ └─────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘

📦 Models

封装各种LLM接口

💬 Prompts

提示词模板管理

🔗 Chains

链式调用组合

🤖 Agents

智能代理执行任务

🧠 Memory

对话状态持久化

🔄 RAG

检索增强生成

🎯 核心概念

🏗️ 模型调用 (Models)

模型	用途
ChatOpenAI	OpenAI GPT-3.5/4
ChatAnthropic	Claude系列
HuggingFaceHub	开源模型

💭 提示词 (Prompts)

类型	说明
ChatPromptTemplate	聊天格式模板
PromptTemplate	简单文本模板
PipelinePrompt	模板组合

⛓️ 链 (Chains)

类型	用途
LLMChain	简单链
SequentialChain	顺序链
TransformChain	转换链

🧠 记忆 (Memory)

类型	用途
ConversationBuffer	完整对话历史
ConversationWindow	窗口记忆
VectorStoreMemory	向量存储记忆

📚 RAG集成

RAG工作流程

┌─────────────────────────────────────────────────────────────────┐ │ │ │ 用户问题 ──▶ 检索器 ──▶ 向量数据库 ──▶ 返回相关文档 │ │ │ │ │ │ ▼ ▼ │ │ ┌─────────┐ ┌─────────────────────────────────────────┐ │ │ │ 提示词 │ │ 文档加载 → 分割 → 向量化 → 存储 │ │ │ 模板 │◀───│ │ │ │ └────┬────┘ └─────────────────────────────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────┐ │ │ │ LLM生成 │ │ │ └─────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘

组件	作用	示例
DocumentLoader	加载文档	PDFLoader, TextLoader
TextSplitter	分割文本	RecursiveCharacterTextSplitter
Embeddings	向量化	OpenAIEmbeddings
VectorStore	向量存储	FAISS, Chroma, Pinecone
Retriever	检索器	VectorStoreRetriever

🤖 代理系统

🔧 工具 (Tools)

搜索工具
计算器
自定义函数

📋 代理类型

Zero-shot ReAct
Conversational
Plan-and-Execute

🔄 执行流程

接收任务
选择工具
执行并反馈

📡 回调系统

回调机制

┌─────────────────────────────────────────────────────────────────┐ │ │ │ 事件触发点： │ │ • on_llm_start - LLM开始处理 │ │ • on_llm_end - LLM完成处理 │ │ • on_chain_start - 链开始执行 │ │ • on_chain_end - 链完成执行 │ │ • on_tool_start - 工具开始执行 │ │ • on_tool_end - 工具完成执行 │ │ │ │ 常用场景： │ │ • 日志记录 │ │ • 监控指标 │ │ • 流式输出 │ │ • 进度追踪 │ │ │ └─────────────────────────────────────────────────────────────────┘

⚙️ 生产实践

场景	推荐方案
模型选择	GPT-4(复杂), GPT-3.5(简单), Claude(长文本)
缓存策略	语义缓存、Redis缓存
速率限制	Token限流、请求限流
错误处理	重试机制、降级方案
监控告警	LangSmith、日志系统

📋 常用模式对比

模式	复杂度	适用场景
简单LLM调用	⭐	单次问答、简单任务
链式调用	⭐⭐	多步骤处理、复杂流程
对话系统	⭐⭐	聊天机器人、客服系统
RAG系统	⭐⭐⭐	知识库、文档问答
代理系统	⭐⭐⭐⭐	工具调用、多任务协调

💻 代码示例：带记忆的对话系统

完整示例：对话Chain + Memory

from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

# 1. 初始化模型
llm = ChatOpenAI(model="gpt-4", temperature=0.7)

# 2. 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的AI助手，请用简洁清晰的语言回答问题。"),
    MessagesPlaceholder(variable_name="history", n_messages=10),
    ("human", "{input}")
])

# 3. 创建对话记忆
memory = ConversationBufferMemory(
    return_messages=True,
    memory_key="history"
)

# 4. 构建对话链
conversation = ConversationChain(
    llm=llm,
    prompt=prompt,
    memory=memory,
    verbose=True
)

# 5. 开始对话
while True:
    user_input = input("\n你: ")
    if user_input.lower() in ["exit", "quit", "退出"]:
        break
    
    response = conversation.invoke({"input": user_input})
    print(f"AI: {response['response']}")

# 输出对话历史
print("\n=== 对话历史 ===")
for msg in memory.buffer:
    print(f"{msg.type}: {msg.content}")

代码说明

🔧 核心组件

ChatOpenAI - OpenAI模型
ConversationChain - 对话链
ConversationBufferMemory - 记忆存储

📝 关键参数

n_messages=10 - 保留最近10条消息
memory_key="history" - 记忆变量名
verbose=True - 显示执行过程

💡 扩展方向

接入RAG实现知识增强
添加Tools实现工具调用
使用VectorStoreMemory优化