LangChain 安装与使用指南：从 LLM 链到检索链

结合文档上下文运行流程：

from langchain_core.documents import Document

result = prompt.invoke({"input": "how can langsmith help with testing?"})
print(result)

组合 Prompt、LLM 和输出解析器

通过管道操作符 | 将组件连接成链：

from langchain_core.output_parsers import StrOutputParser

output_parser = StrOutputParser()
chain = prompt | llm | output_parser

result = chain.invoke({"input": "how can langsmith help with testing?"})
print(result)

完整示例代码：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI()
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a world class technical documentation writer."),
    ("user", "{input}")
])
output_parser = StrOutputParser()

chain = prompt | llm | output_parser
result = chain.invoke({"input": "how can langsmith help with testing?"})
print(result)

常见错误处理： 如果 API Key 无效或余额不足，会抛出 openai.RateLimitError。请检查 OPENAI_API_KEY 是否正确，并确保账户状态正常。

2.2 构建检索链（Retrieval Chain）

当数据量过大无法直接传递给 LLM 时，检索链（RAG）非常有用。它先从外部源检索相关文档，再将其作为上下文传递给 LLM。

加载数据

使用 WebBaseLoader 加载网页内容，需安装 beautifulsoup4：

pip install beautifulsoup4

from langchain_community.document_loaders import WebBaseLoader

loader = WebBaseLoader("https://docs.smith.langchain.com/user_guide")
docs = loader.load()

向量化存储

将数据索引到向量存储中需要嵌入模型（Embedding Model）。以 OpenAI 为例：

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

安装向量数据库 FAISS：

pip install faiss-cpu

构建索引：

from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter()
documents = text_splitter.split_documents(docs)
vector = FAISS.from_documents(documents, embeddings)

创建检索链

设置接受问题和检索文档的链：

from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("""Answer the following question based only on the provided context:

<context>
{context}
</context>

Question: {input}""")

llm = ChatOpenAI()
document_chain = create_stuff_documents_chain(llm, prompt)

整合检索器：

from langchain.chains import create_retrieval_chain

retriever = vector.as_retriever()
retrieval_chain = create_retrieval_chain(retriever, document_chain)

调用链并获取答案：

response = retrieval_chain.invoke({"input": "how can langsmith help with testing?"})
print(response["answer"])

2.3 构建感知对话上下文的检索链

传统的检索链只能回答单个问题。对于聊天机器人场景，需要让检索器和 LLM 都能考虑整个对话历史。

更新检索器

创建一个新的链来接收最新输入和对话历史，生成搜索查询：

from langchain.chains import create_history_aware_retriever
from langchain_core.prompts import MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([
    MessagesPlaceholder(variable_name="chat_history"),
    ("user", "{input}"),
    ("user", "Given the above conversation, generate a search query to look up to get information relevant to the conversation")
])

retriever_chain = create_history_aware_retriever(llm, retriever, prompt)

测试更新后的检索器：

from langchain_core.messages import HumanMessage, AIMessage

chat_history = [
    HumanMessage(content="Can LangSmith help test my LLM applications?"), 
    AIMessage(content="Yes!")
]

result = retriever_chain.invoke({
    "chat_history": chat_history,
    "input": "Tell me how"
})
print(result)

生成新的检索链

修改文档链的 Prompt，加入 chat_history 变量：

prompt = ChatPromptTemplate.from_messages([
    ("system", "Answer the user's questions based on the below context:\n\n{context}"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("user", "{input}"),
])

document_chain = create_stuff_documents_chain(llm, prompt)
retrieval_chain = create_retrieval_chain(retriever_chain, document_chain)

调用新链：

chat_history = [
    HumanMessage(content="Can LangSmith help test my LLM applications?"), 
    AIMessage(content="Yes!")
]

response = retrieval_chain.invoke({
    "chat_history": chat_history,
    "input": "Tell me how"
})
print(response["answer"])

3. 常见问题与最佳实践

3.1 依赖冲突

如果遇到版本兼容性问题，建议创建独立的虚拟环境：

python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

3.2 Token 限制

在传递大量上下文给 LLM 时，需注意 Token 限制。使用 RecursiveCharacterTextSplitter 时，应合理设置 chunk_size 和 chunk_overlap 参数，避免超出模型最大上下文窗口。

3.3 成本优化

生产环境中，建议缓存 Embedding 结果和检索结果，减少不必要的 API 调用。同时，对于简单任务可使用本地小模型替代云端大模型以降低延迟和成本。

4. 总结

本文演示了 LangChain 的基础用法，包括如何安装环境、构建简单的 LLM 链、利用 FAISS 实现检索增强生成（RAG），以及如何扩展为支持多轮对话的检索链。通过这些步骤，开发者可以快速搭建基于私有知识库的智能问答系统。在实际应用中，还需根据具体业务场景调整 Prompt 策略、优化检索精度并监控 API 调用成本。