LangChain 介绍

LangChain 是一个以大语言模型（LLM, Large Language Model）为核心的开发框架，旨在帮助开发者高效地将如 GPT-4 等大型语言模型与外部数据源和计算资源集成，构建智能化应用。

1.1 工作原理

如上图所示，LangChain 通过三个核心组件提升了大型语言模型（LLMs）的能力：

• Components（组件）：为 LLMs 提供接口封装、提示模板和信息检索索引。
• Chains（链）：将不同组件组合，解决复杂任务，如在大规模文本中检索和处理信息。
• Agents（代理）：使 LLMs 能与外部环境交互，例如通过 API 请求执行操作。

1.2 主要特性

• 支持多种数据源接入，如网页、PDF 文件、向量数据库等。
• 允许语言模型与外部环境实时交互。
• 封装了 Model I/O（输入/输出）、Retrieval（检索）、Memory（记忆）、Agents（决策与调度）等核心模块。
• 通过链式结构灵活组装各组件，满足多样化应用需求。

1.3 核心概念

LangChain 由以下核心概念构成：

• LLM Wrappers：对接主流大语言模型（如 GPT-4、Hugging Face 等）。
• Prompt Templates：支持动态变量插入，提升 Prompt 工程灵活性。
• Indexes：高效索引与检索大规模文本或数据库中的相关信息。
• Chains：将多个组件串联，完成多步推理与复杂任务。
• Agents：赋予模型自主决策能力，可调用外部工具或 API。

上图展示了一个复杂的自然语言处理系统，包括模型、提示、链、代理以及嵌入与向量存储：

• Models（模型）：负责理解和生成自然语言。
• Prompts（提示）：引导模型输出期望结果。
• Chains（链）：将多个步骤串联，完成复杂任务。
• Agents（代理）：实现模型与外部环境的动态交互，如 API 调用。
• Embedding & VectorStore（嵌入与向量存储）：用于数据表示和高效检索，为模型提供语义理解基础。

1.4 工作流程

LangChain 的典型工作流程如下：

• 用户提出问题。
• 问题被向量化，用于在向量数据库中进行相似性检索。
• 检索到的相关信息与原始问题一同输入语言模型。
• 语言模型基于上下文生成答案或执行操作。

1.5 应用场景

LangChain 的应用场景涵盖但不限于：

• 智能个人助手：如自动预订、转账、缴税等。
• 数据分析与数据科学：连接企业内部或外部数据源，提升数据分析效率。
• 数据连接：将 LLM 与数据库、PDF、文档等私有数据源集成，实现专属知识检索。
• 自动化行动执行：不仅能检索信息，还可根据检索结果自动执行操作（如发送邮件），无需硬编码。

LangChain 为 AI 应用开发带来了高度的灵活性和扩展性，使机器学习系统能够更好地贴合实际业务需求，推动智能应用的多样化和个性化发展。

---

LangChain 简介

LangChain 是一个以大语言模型（LLM）为核心的开发框架，旨在让开发者能够更方便地将如 GPT-4 这样的模型与外部数据源和计算资源结合起来。框架目前支持 Python 和 JavaScript（TypeScript）两大主流开发语言，极大地降低了 LLM 应用开发的门槛。

---

版本介绍

LangChain 目前主要有两个官方维护的版本，分别面向 Python 和 JavaScript/TypeScript 生态：

• LangChain (Python)

• 适用于数据科学、AI 应用、后端开发等场景。

• 社区活跃，文档与案例丰富。

• 支持主流 LLM（如 OpenAI、Anthropic、HuggingFace）、多种向量数据库（如 FAISS、Chroma、Weaviate），工具链和插件生态完善。

• PyPI 包名：langchain

• LangChain.js (JavaScript/TypeScript)

• 适用于前端、全栈、Node.js 服务端开发。

• 语法风格与 Python 版趋同，API 设计一致。

• 支持主流 LLM、向量数据库，兼容浏览器和 Node.js 环境。

• npm 包名：langchain

两个版本均在持续快速迭代，API 设计趋于统一，便于开发者跨语言迁移和经验复用。

---

类似框架对比

随着 LLM 应用开发的兴起，业界涌现出多款与 LangChain 类似的框架。下表对主流框架进行简要对比：

框架	语言	主要特点	适用场景
LangChain	Python/JS	生态完善，组件丰富，支持链式组合、Agent、Memory、插件众多，社区活跃	通用 LLM 应用开发
LlamaIndex（原GPT Index）	Python/JS	专注文档/知识库检索（RAG），文档加载与索引能力强，易与 LangChain 集成	知识库问答、RAG
Haystack	Python	企业级，支持多种后端（Elasticsearch、FAISS、OpenSearch），可视化工具丰富	检索增强问答、企业知识库
PromptFlow	Python/JS	微软出品，强调可视化流程编排和 Prompt 工程，集成 Azure AI 服务	流程自动化、企业级集成
Flowise	JS/可视化	基于 Node.js 的低代码/可视化 LLM 应用编排，拖拽式界面，易用性强	快速原型、非程序员用户

简要分析

• LangChain：适合需要高度自定义、复杂链路、Agent、插件扩展的开发者，生态最全，社区活跃。
• LlamaIndex：专注于知识库检索和文档增强生成（RAG），与 LangChain 可无缝集成。
• Haystack：偏向企业级生产环境，支持多种后端和可视化，适合大规模知识库和检索场景。
• PromptFlow/Flowise：适合需要可视化、低代码开发的团队，尤其适用于 Prompt 工程和流程自动化。

---

LangChain 的核心组件

LangChain 的设计高度模块化，主要包括以下核心组件：

• LLM Wrappers（模型包装器）：无缝对接 OpenAI、Hugging Face 等主流大模型。
• Prompt Templates（提示模板）：支持动态变量插入，提升 Prompt 工程灵活性。
• Indexes（索引）：高效检索大规模文本或数据库中的相关信息。
• Chains（链）：将多个组件串联，完成多步推理与复杂任务。
• Agents（代理）：赋予模型自主决策能力，可调用外部工具或 API。
• Memory（记忆）：支持对话历史和上下文记忆，提升智能化水平。

LangChain 的结构设计使 LLM 不仅能处理文本，还能在更广泛的应用环境中进行操作和响应，极大扩展了其应用范围和有效性。

[图片]

LangChain 的工作原理

LangChain 的典型工作流程如下：

1. 用户提出问题。
2. 问题被向量化，在向量数据库中检索相关内容。
3. 检索到的信息与原始问题一同输入 LLM。
4. LLM 生成答案，或由 Agent 进一步调用外部工具执行操作。

这种设计让 LLM 不再是"黑箱"，而是能够与外部世界实时互动的智能体。

举例：如上图所示，智能问答系统从用户提问开始，通过相似性检索在数据库或向量空间中找到相关信息，结合原始问题由模型分析生成答案，并可由代理执行后续操作，实现数据驱动的自动化决策流程。

---

LangChain 的应用场景

LangChain 的应用非常广泛，包括但不限于：

• 智能问答系统（RAG，Retrieval Augmented Generation）
• 企业知识库检索
• 智能客服/个人助理
• 数据分析自动化
• 自动化办公（如自动发邮件、生成报告）
• 多轮对话机器人
• 代码自动生成与解释
• 数据连接：将 LLM 与数据库、PDF、文档等私有数据源集成，实现专属知识检索。
• 行动执行：不仅能检索信息，还可根据检索结果自动执行操作（如发送邮件），无需硬编码。

LangChain 为 AI 应用开发打开了全新可能，使机器学习系统更贴合实际需求，推动智能应用的多样化和个性化。

---

简单案例：用 LangChain 构建本地知识库问答

假设你有一段本地文本资料，希望让大模型基于这些资料进行智能问答。以下为最小可运行的 Python 示例：

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import RetrievalQA
from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter# 1. 构建本地知识库
text = """
LangChain 是一个用于开发基于大语言模型（LLM）应用的开源框架。
它支持多种数据源接入，能够让 LLM 与外部世界无缝连接。
"""
# 文本切分
text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=0)
docs = text_splitter.create_documents([text])# 构建向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embeddings)# 2. 构建问答链
llm = OpenAI(temperature=0)
qa = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vectorstore.as_retriever()
)# 3. 提问
question = "LangChain 有什么用？"
answer = qa.run(question)
print("答案：", answer)

说明

• 需提前配置 OpenAI API Key（可通过环境变量 OPENAI_API_KEY 设置）。
• 本案例将本地文本转为向量，用户提问后，LangChain 自动检索相关内容并调用大模型生成答案。
• 可将 text 替换为自有知识库内容，或扩展为读取 PDF、网页等。

案例2：Prompt模版

from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAIoutput_parser = CommaSeparatedListOutputParser()format_instructions = output_parser.get_format_instructions()
prompt = PromptTemplate(template="列出五个 {subject}.\n{format_instructions}",input_variables=["subject"],partial_variables={"format_instructions": format_instructions},
)model = ChatOpenAI(temperature=0,model="gpt-4",api_key="xk-349774**********",base_url="https://**********/v1/")"""
这段代码定义了一个链式调用的过程，具体步骤如下：
prompt：生成初始提示。｜ model：将提示传递给模型进行处理。｜ output_parser：解析模型的输出结果。
"""
chain = prompt | model | output_parser
chain.invoke({"subject": "最喜欢的食物"})
for s in chain.stream({"subject": "最喜欢的食物"}):print(s)