LangChain 基本概念与实战入门

2. 提示词（Prompts）

提示管理决定了模型如何接收指令。LangChain 提供了灵活的提示模板工具。

• PromptTemplate: 用于静态提示词填充。
• FewShotPromptTemplate: 支持在提示词中包含示例，提升模型表现。

from langchain_core.prompts import PromptTemplate

template = "请用一句话介绍 {topic}。"
prompt = PromptTemplate.from_template(template)
final_prompt = prompt.format(topic="LangChain")

3. 内存（Memory）

内存组件允许链或代理在调用之间保持状态，这对于多轮对话至关重要。

• ConversationBufferMemory: 记录完整的对话历史。
• ConversationSummaryMemory: 总结历史对话以节省 Token。

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(memory_key="chat_history")
memory.save_context({"input": "你好"}, {"output": "你好！有什么可以帮你？"})

4. 索引与检索（Indexes & Retrieval）

索引模块用于结合自身文本数据，实现检索增强生成（RAG）。

• VectorStore: 存储文档向量，支持相似度搜索。
• Document Loaders: 从不同来源加载文档（PDF, Web, Text）。

5. 链（Chains）

链将多个组件连接起来，形成工作流。

• LLMChain: 最基础的链，结合 Prompt 和 Model。
• SequentialChain: 按顺序执行多个步骤。

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run("LangChain")

实际应用场景与案例

1. 智能客服聊天机器人

构建一个能够记住上下文并回答客户问题的聊天机器人。

步骤：

1. 初始化 ChatModel。
2. 配置 Memory 保存对话历史。
3. 使用 ConversationChain 组合模型与记忆。

from langchain.chains import ConversationChain

conversation = ConversationChain(
    llm=llm,
    memory=ConversationBufferMemory()
)

print(conversation.predict(input="我想咨询产品售后政策"))
print(conversation.predict(input="具体包含哪些服务？"))

2. 知识库问答系统

利用 RAG 技术，让模型基于私有文档回答问题。

步骤：

1. 加载文档数据。
2. 切分文档块（Text Splitter）。
3. 向量化并存入 VectorStore。
4. 创建检索器（Retriever）。
5. 构建 QA Chain。

3. 自动化任务代理

使用 Agent 让模型自主决定调用工具（如搜索、计算器）来完成任务。

from langchain.agents import initialize_agent, Tool
from langchain.utilities import GoogleSearchAPIWrapper

search = GoogleSearchAPIWrapper()
search_tool = Tool(
    name="Google Search",
    func=search.run,
    description="用于搜索最新信息"
)

agent = initialize_agent([search_tool], llm, agent="zero-shot-react-description", verbose=True)
# agent.run("今天北京天气怎么样？")

最佳实践与注意事项

1. Token 成本控制

LLM 调用通常按 Token 计费。建议：

• 优化 Prompt 长度，去除冗余信息。
• 使用 SummaryMemory 减少历史消息占用。
• 监控 API 返回的 Token 使用情况。

2. 错误处理

网络波动或 API 限制可能导致调用失败。应添加重试机制：

from langchain.llms.base import LLM
from typing import Any

class RetryableLLM(LLM):
    def _call(self, prompt: str, stop: Any = None) -> str:
        try:
            return llm._call(prompt, stop)
        except Exception as e:
            print(f"Error: {e}")
            return "抱歉，服务暂时不可用。"

3. 安全性

• 不要将敏感信息硬编码在代码中，务必使用环境变量。
• 对用户输入进行过滤，防止提示词注入攻击。
• 审查模型输出，避免生成有害内容。

常见问题排查

1. Import Error: 确保已安装对应的依赖包，如 langchain-openai。
2. API Key Error: 检查环境变量是否设置正确，且密钥有效。
3. Timeout: 增加请求超时时间或检查网络连接。
4. Context Limit: 如果输入过长导致截断，需使用滑动窗口或摘要策略。

结论

LangChain 为开发者提供了一个强大而灵活的平台，用于构建各种基于语言模型的应用程序。通过其核心组件——模型、提示词、内存、索引和链，开发者可以快速原型化复杂的功能，如聊天机器人、知识库问答和自动化代理。

虽然本教程涵盖了 LangChain 的基础知识和核心用法，但学习之路永无止境。建议深入阅读官方文档，关注社区动态，并通过实际项目不断巩固技能。随着大模型技术的演进，LangChain 也在持续更新，保持对新技术的敏感度将有助于你开发出更具竞争力的 AI 应用。

希望你在 LangChain 的开发旅程中取得成功，创造出更多令人兴奋的应用程序。