LangChain 框架入门：核心组件、模块与文档指南

LangChain 核心模块详解

LangChain 框架遵循'模块化设计'，每个模块解决特定场景的问题，且模块间可灵活组合。其中 Models 是基础，Chains 是核心组合方式，Agents 是高阶能力，Indexes 则是 RAG 的关键。

1. 模型输入 / 输出 (Models)

这是 LangChain 的核心层，负责与各类 LLM 或嵌入模型 (Embedding Model) 交互。主要包括：

• LLMs：对接大语言模型的基础接口，统一不同厂商（OpenAI、Anthropic、百度文心等）的 API 调用方式。
• Chat Models：针对对话式 LLM 的专用接口，支持结构化的对话消息（用户、助手、系统消息）。
• Embeddings：对接文本嵌入模型，将文本转换为向量表示，是知识库问答和文本检索的基础。

下面是最基本的封装 OpenAI 大模型的代码示例，展示了如何初始化对话模型和嵌入模型：

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.messages import HumanMessage, SystemMessage

# 1. 初始化对话模型
chat_model = ChatOpenAI(
    model="gpt-3.5-turbo",
    api_key="你的 OpenAI API 密钥",
    temperature=0.7  # 生成随机性，0-1 之间
)

# 2. 构造对话消息并调用模型
messages = [
    SystemMessage(content="你是一个专业的 Python 编程助手，回答简洁易懂；"),
    HumanMessage(content="请解释什么是装饰器？")
]
response = chat_model.invoke(messages)
print(response.content)

# 3. 初始化嵌入模型并生成文本向量
embeddings = OpenAIEmbeddings(api_key="你的 OpenAI API 密钥")
text = "LangChain 是 LLM 应用开发框架"
vector = embeddings.embed_query(text)
print(f"向量长度：{len(vector)}")  # OpenAI Embedding 输出 1536 维向量

2. 提示词模板 (Prompts)

提示词是 LLM 应用的核心，但手写提示词易出错、难复用。LangChain 的 Prompts 模块提供了如下功能：

• Prompt Templates：支持参数化填充。例如定义一个'代码解释模板'，只需替换'代码片段'参数即可复用。
• Chat Prompt Templates：针对对话模型的提示词模板，适配多轮对话场景。
• Output Parsers：将 LLM 的文本输出解析为结构化数据（如 JSON、字典），解决'LLM 输出不可控'的问题。

3. 索引 (Indexes)

当 LLM 需要处理外部文档（如 PDF、Word、知识库）时，Indexes 模块负责将文档转换为'可检索'的格式。核心流程包括：

1. 加载文档 (Load)：通过 DocumentLoaders 加载 PDF、TXT、网页等格式的文件。
2. 分割文本 (Split)：将长文档分割为短文本块，避免超出 LLM 上下文窗口。
3. 嵌入文本 (Embed)：将文本块转换为向量。
4. 存储向量 (Store)：将文本向量存入向量数据库（如 Chroma、Pinecone、Milvus）。
5. 检索文本 (Retrieve)：根据用户问题检索相关文本块。

4. 链 (Chains)

Chains 是 LangChain 的'灵魂'，允许将多个组件（LLM、Prompt、检索器等）组合成一个可执行的流程，解决'单步操作无法完成复杂任务'的问题。

常见的 Chain 类型包括：

• LLMChain：最基础的链，将 Prompt Template + LLM 组合。
• RetrievalQAChain：检索增强生成 (RAG) 的核心链，组合'检索器 + LLM'。
• SequentialChain：串行链，将多个 Chain 按顺序执行，前一个的输出作为后一个的输入。

5. 记忆 (Memory)

原生 LLM 没有'记忆'，无法记住多轮对话的上下文。Memory 模块解决这个问题，核心类型如下：

• ConversationBufferMemory：简单缓存所有对话历史。
• ConversationSummaryMemory：对对话历史进行总结，避免上下文过长。
• ConversationTokenBufferMemory：按 Token 数限制缓存对话历史，适配 LLM 的上下文窗口。

6. 代理 (Agents) & 7. 工具 (Tools)

Agents 是 LangChain 的高阶能力，让 LLM 能'自主决策'，根据用户问题选择调用哪些工具（如计算器、搜索引擎、代码解释器）。

• Agent：决策核心，负责判断该调用哪个工具、是否需要继续调用。
• Tool：工具接口，LangChain 内置多种工具（Calculator、SerpAPI、PythonREPL），也支持自定义。
• Executor：执行器，负责执行 Agent 的决策。

开发者可通过 Tool 类自定义工具，只需实现 func（工具逻辑）和 description（工具描述，供 Agent 判断是否调用）。

8. 文档加载器 (Document Loaders)

负责加载外部文档，支持几乎所有主流格式：

• 文本类：TXT、Markdown、JSON。
• 办公类：PDF、Word、Excel、PPT。
• 网页类：URL、HTML、Sitemap。
• 数据库类：MySQL、PostgreSQL、MongoDB。
• 其他：Notion、Confluence、GitHub。

9. 评估 (Evaluation)

LLM 应用的效果难以量化，Evaluation 模块提供评估工具，支持手动评估、自动评估（用 LLM 自身评估回答质量）以及基准测试（对比不同模型/链的效果）。

LangChain 文档资源

为了帮助开发者更好地上手，官方提供了丰富的文档资源：

1. 功能模块文档

LangChain 功能模块文档是 Python 语言的总览，左侧章节标题可以跳转到安装文档、快速开始等详细内容。

2. API 参考文档

这是 LangChain 开发具体对应的 Python/JavaScript/TypeScript 语言 API 文档，主要介绍构建大模型应用程序用到的核心接口。使用顶部或左侧导航栏查看特定模块的文档。

3. 第三方模型集成包

LangChain 框架提供了丰富的适配第三方模型的集成包，涉及大语言模型、聊天模型、检索器、向量数据库等多个类型。集成包的核心作用是让开发者不用自己写复杂的 API 调用代码，只需几行简单代码就能在 LangChain 框架中调用对应服务商的能力。

例如：

• langchain-openai：专门对接 OpenAI 生态（包括 Azure OpenAI）。
• langchain-google-vertexai：对接 Google Cloud Vertex AI 平台。
• langchain-ollama：对接 Ollama 工具（本地运行 Llama 3、Phi 3 等开源模型）。

4. 教程指南

官方教程指南提供了一系列教程、概念概述及补充资源，借助 LangChain 和 LangGraph 构建功能强大的大模型应用程序。