【AI大模型应用开发】【LangChain系列】0. LangChain框架介绍，实现LangChain的Hello World-CSDN博客

本文链接：https://blog.csdn.net/2401_85373691/article/details/139981536

AI时代，相信大家或多或少都听过 LangChain 的大名。通俗的说，LangChain是一个面向大模型的开发框架（SDK）。

目前 LangChain 仍在快速迭代中，所以在使用中要时刻关注你所使用的版本和接口变更。

0. 认识LangChain框架

从上图可以看到，LangChain 目前有四层框架：

最下层深色部分：LangChain的Python和JavaScript库。包含无数组件的接口和集成，以及将这些组件组合到一起的链（chain）和代理（agent）封装，还有链和代理的具体实现。
Templates：一组易于部署的参考体系结构，用于各种各样的任务。
LangServe：用于将LangChain链部署为REST API的库。
LangSmith：一个开发人员平台，允许您调试、测试、评估和监控基于任何LLM框架构建的链，并与LangChain无缝集成。

在最下层深色部分- LangChain的Python和JavaScript库中，可以看到它封装了一系列模块。

模型 I/O 封装，包括：
- LLMs：大语言模型
- ChatModels：一般基于 LLMs，但按对话结构重新封装
- Prompt：提示词模板
- OutputParser：解析输出
Retrieval 数据连接与向量检索封装，包括：
- Retriever: 向量的检索
- Document Loader：各种格式文件的加载器
- Embedding Model：文本向量化表示，用于检索等操作
- Verctor Store: 向量的存储
- Text Splitting：对文档的常用操作
Agents 根据用户输入，自动规划执行步骤，自动选择每步需要的工具，最终完成用户指定的功能，包括：
- Tools：调用外部功能的函数，例如：调 google 搜索、文件 I/O、Linux Shell 等等
- Toolkits：操作某软件的一组工具集，例如：操作 DB、操作 Gmail 等等
Chain 实现一个功能或者一系列顺序功能组合
Memory 记忆封装，也就是上下文的管理能力封装
Callbacks 一些过程回调函数

1. 动手实现你的第一个LangChain程序

1.1 LangChain 环境

（1）安装 LangChain

pip 安装

python

复制代码pip install langchain

conda 安装

python

复制代码conda install langchain -c conda-forge

（2）安装 LangChain X OpenAI

LangChain封装了对于大模型的调用接口，也就是说，我们可以选择使用的模型，无论是在线模型还是本地部署的模型。本文我们还是使用OpenAI的API来调用大模型。

python

复制代码pip install -U langchain-openai

1.2 通过LangChain的接口来调用OpenAI对话

python复制代码import os
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

from langchain_openai import ChatOpenAI ## langchain封装的openai对话接口
 
llm = ChatOpenAI() # 默认是gpt-3.5-turbo
response = llm.invoke("你是谁") ## 通过 invoke 传入对话
print(response.content)

## 运行结果输出：我是一个AI助手，没有具体的身份。我是由OpenAI开发的，可以帮助回答问题和提供信息。

1.3 多轮对话的封装

python复制代码import os
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

from langchain_openai import ChatOpenAI
 
llm = ChatOpenAI() # 默认是gpt-3.5-turbo

from langchain.schema import (
    AIMessage, #等价于OpenAI接口中的assistant role
    HumanMessage, #等价于OpenAI接口中的user role
    SystemMessage #等价于OpenAI接口中的system role
)

messages = [
    SystemMessage(content="你是[同学小张]的个人助理。你叫[小明]"), 
    HumanMessage(content="我叫[同学小张]"), 
    AIMessage(content="好的老板，你有什么吩咐？"),
    HumanMessage(content="我是谁") 
]
response = llm.invoke(messages)
print(response.content)

## 运行输出：您是同学小张。

通过以上代码可以看到：

LangChain内封装了AIMessage、HumanMessage、SystemMessage等消息类型，区分消息来源。
invoke对话接口接收一系列消息，可以实现多轮对话（上述代码中的多轮对话在哪：第一轮是“我叫[同学小张]”，第二轮我问它"我是谁"时，第一轮我的名字的信息带进去了，所以它才能回复：“您是同学小张”）。