本文介绍了 LangChain 框架的核心概念、工作原理及实战应用。内容涵盖 LangChain 的模块化设计、五大核心组件（Model、Prompt、Chain、Agent、Memory）详解，以及基于 Python 的代码示例。文章详细演示了如何搭建环境、使用 LLM 包装器、构建提示模板、组合链、处理向量存储与嵌入，以及创建智能代理。最后对比了 LangChain 与 LlamaIndex、Haystack 等框架的差异，并总结了构建 RAG 问答机器人的完整流程，为开发者入门大模型开发提供实用指南。
近年来，人工智能应用层出不穷。许多 AI 工具（如 ChatPDF）能够帮助用户快速从文档中提取信息，无需人工翻阅。这些应用的背后，往往使用了一个名为 LangChain 的开源框架。
LangChain 是专为 LLM（Large Language Model）应用开发设计的框架，旨在简化开发难度。它将 LLM 的各个组件进行封装和链接，提供统一的开发环境。类似于 Java 中的 Spring 框架，LangChain 为开发者提供了丰富的工具和库，帮助快速构建功能强大的 LLM 应用。
简单来说，LangChain 通过组合大量数据，使 LLM 能以较低计算成本引用信息。其核心原理是将大文档（如 PDF）分块，嵌入到向量存储（Vector Store）中。
当用户输入提示时，LangChain 在向量存储中检索相关信息，将其与提示结合喂给 LLM，生成答案。这相当于为文档服务的小型搜索引擎。
此外，LangChain 支持创建可执行动作的应用程序（Agent），例如上网、发邮件或调用其他 API。
LangChain 由前 Robust Intelligence 机器学习工程师 Chase Harrison 于 2022 年 10 月推出。它是一个封装了大量 LLM 应用开发逻辑和工具集成的开源 Python 库。
Model（模型） 主要包含大语言模型（LLM）。LangChain 提供接口将 LLM 能力集成到应用中，支持异步并发调用，并允许编写自定义 LLM 包装器。
Prompt（提示）
向 LLM 提供的输入。LangChain 提供完备的 Prompt 管理功能，包括 PromptTemplate（提示模板），支持定义输入输出格式及输出解析器。
Chain（链）
将各种组件合并成统一应用程序的方式。支持多种基础链式结构，如 SimpleSequentialChain（简单序列链）、API Chain 等。可将多个 Chain 与其他组件集成生成复杂结构。
Agent（代理） 将 LLM 作为推理引擎。Agent 可根据文本或信息源回答问题、推理内容或决定下一步操作。它可以访问多种工具（如搜索引擎、数据库），根据用户输入决定是否调用工具，直到完成任务。
Memory（记忆） 解决 LLM 无法记住历史对话的问题。LangChain 提供多种记忆形式，如存储完整记忆、保留最近几轮对话、限制 Token 数，或将历史存储在向量数据库中。
LangChain 与 ChatGPT Plugin 并非竞争关系。LangChain 在插件推出后迅速更新支持。在复杂的 B2B 应用场景中，LangChain 在底层大模型和上层应用之间提供业务逻辑抽象，满足复杂业务快速部署需求。
一个完整的 LangChain 应用程序通常包含以下部分：模型包装器、提示、链、嵌入和向量存储、代理。
pip install -r requirements.txt
# python-dotenv==1.0.0
# langchain==0.0.137
# pinecone-client==2.2.1
加载环境变量：
from dotenv import load_dotenv, find_dotenv
load_dotenv(find_dotenv())
实例化 OpenAI 的 GPT 模型包装器：
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
from langchain.chat_models import ChatOpenAI
chat = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.3)
messages = [
SystemMessage(content="你是一个专业的数据科学家"),
HumanMessage(content="写一个 Python 脚本，用模拟数据训练一个神经网络")
]
response = chat(messages)
print(response.content)
使用 PromptTemplate 动态更改提示：
from langchain import PromptTemplate
template = """
您是一位专业的数据科学家，擅长构建深度学习模型。
用几行话解释{concept}的概念
"""
prompt = PromptTemplate(
input_variables=["concept"],
template=template,
)
llm(prompt.format(concept="autoencoder"))
将提示模板和 LLM 组合：
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)
print(chain.run("autoencoder"))
组合多个链：
from langchain.chains import SimpleSequentialChain
second_prompt = PromptTemplate(
input_variables=["ml_concept"],
template="把{ml_concept}的概念描述转换成用 500 字向我解释，就像我是一个五岁的孩子一样",
)
chain_two = LLMChain(llm=llm, prompt=second_prompt)
overall_chain = SimpleSequentialChain(chains=[chain, chain_two], verbose=True)
explanation = overall_chain.run("autoencoder")
print(explanation)
结合自定义数据存储，将文本分块并转化为向量：
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=100,
chunk_overlap=0,
)
texts = text_splitter.create_documents([explanation])
from langchain.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(model_name="ada")
query_result = embeddings.embed_query(texts[0].page_content)
import os
import pinecone
from langchain.vectorstores import Pinecone
pinecone.init(
api_key=os.getenv('PINECONE_API_KEY'),
environment=os.getenv('PINECONE_ENV')
)
index_name = "langchain-quickstart"
search = Pinecone.from_documents(texts, embeddings, index_name=index_name)
query = "What is magical about an autoencoder?"
result = search.similarity_search(query)
print(result)
智能代理可自主行动，调用 API 完成任务。例如使用 Python REPL 求解方程：
from langchain.agents.agent_toolkits import create_python_agent
from langchain.tools.python.tool import PythonREPLTool
from langchain.python import PythonREPL
from langchain.llms.openai import OpenAI
agent_executor = create_python_agent(
llm=OpenAI(temperature=0, max_tokens=1000),
tool=PythonREPLTool(),
verbose=True
)
agent_executor.run("找到二次函数 3 * x ** 2 + 2 * x - 1 的根（零点）。")
将上述组件结合，构建基于知识库的问答系统：
| 框架 | 优势 | 劣势 | 理想用例 |
|---|---|---|---|
| LangChain | 灵活性和扩展性高，可扩展性强，开源 | 学习曲线较陡，用户界面不够友好 | 研究项目，高性能应用 |
| LlamaIndex | 搜索和检索效率高，易用性好，与 Hugging Face 无缝集成 | 功能有限，黑箱性质 | 信息检索，个性化内容生成 |
| Haystack | 全面的 NLP 流水线，灵活性和定制性，开源和社区驱动 | 设置更复杂，资源密集型 | 信息提取，问题回答，情感分析 |
| Hugging Face | 丰富的模型库，用户友好平台，协作开发，开源 | 功能有限，成本 | 模型训练和微调，模型评估和比较 |
LangChain 通过模块化设计降低了 LLM 应用开发的门槛。它涵盖了从模型交互、提示工程、链式调用到记忆管理和代理执行的全流程。对于希望快速构建企业级 AI 应用的开发者而言，LangChain 提供了坚实的基础设施。随着生态系统的完善，其在 RAG（检索增强生成）和 Agent 领域的应用将更加广泛。
在实际开发中，建议关注官方文档的最新更新，并根据具体业务场景选择合适的组件组合。同时，注意数据隐私和模型调用的成本控制。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online