2025版最新LangChain 入门与实战，零基础入门到精通，收藏这篇就够了

最新推荐文章于 2025-04-26 10:47:54 发布

Python_chichi

最新推荐文章于 2025-04-26 10:47:54 发布

阅读量1.9k

点赞数 17

分类专栏：大模型互联网程序员文章标签： langchain linux 运维

本文链接：https://blog.csdn.net/Javachichi/article/details/145324035

版权

互联网同时被 3 个专栏收录

1406 篇文章

订阅专栏

程序员

1390 篇文章

订阅专栏

大模型

358 篇文章

订阅专栏

想要构建自己的Agent，你一定无法避免和LangChain打交道。

所以这篇文章将给大家介绍一下LangChain，知道它是什么，怎么用，基于LangChain能做了，并且它有什么问题。

LangChain的文字资料和视频资料挺多的，我就不重复了，我会在文末添加相关的资料，有兴趣的朋友自行学习。

我相信很多人是因为不了解LangChain，不了解Agent，才来看我的文章，而且大部分人时间也很宝贵，没有这么时间花几天时间来系统化学习，而且主要也不确定学习LangChain对自己的工作有没有帮助。

所以我尽量用最简单的语言把事情说情况。

我们要构建一个自己的AI系统（Agent)

假设我们要构建一个自己的问答系统，问答系统需要使用我们私有的数据库。

我们应该怎么做，我们可以先考虑一个成本最低的POC方案。

使用最强的大语言模型ChatGPT的openapi
自己用Python写一个代码，基于openai为基础，然后自己做知识库问答，自己多文件切片和向量化，自己做RAG

思路是这个思路，但是全都自己写，除非你是大牛，还是有些吃力的，而且随着项目的复杂度增加，整个项目的架构将会非常关键。

这时候可能有杠精要说，老师你就用GPTs或其他的一些Agent平台就可以无代码完成一个自己知识库的问答系统了。

没错，但是这里只是想大家都懂的问答系统作为案例进行举例，因为你用友LangChain可以构建比这个复杂的多的系统，比如你可以基于LangChain构建自己的Agent平台。

这里给出一个例子，使用可以本地部署的大语言模型ChatGLM-6b，和本地知识库test.txt，简单的十几行代码就完成了我们要做的问答系统，分别是加载文件、文件内容切割、向量化，然后根据向量化的内容和Query进行Prompt组装，就是这么简单。

当然引入LangChain也有带来很多副作用，开发过低代码的朋友肯定知道，虽然使用图形化的方式可以降低系统开发的复杂度，但是同时也降低了系统的性能，原来最精简的代码只要3分钟的执行时长可能会被拉长到数倍。

LangChain核心功能

好了，有了信心之后，我们学习一下LangChain有哪些能力。

模板 PromptTemplate



`1from langchain.prompts import PromptTemplate   2    3prompt = PromptTemplate(   4    input_variables=["product"],   5    template="What is a good name for a company that makes {product}?",   6)   7print(prompt.format(product="colorful socks"))`

输出：What is a good name for a company that makes colorful socks?

通过PromptTemplate就可以给Prompt添加变量了，很简单吧

链 Chain



`1from langchain.prompts import PromptTemplate   2from langchain.llms import OpenAI   3    4llm = OpenAI(temperature=0.9)   5prompt = PromptTemplate(   6    input_variables=["product"],   7    template="What is a good name for a company that makes {product}?",   8)   9   10from langchain.chains import LLMChain   11chain = LLMChain(llm=llm, prompt=prompt)   12   13chain.run("colorful socks")`

输出：# -> ‘\n\nSocktastic!’

这样就使用了LangChain的Chain了，还是很简单吧。

代理Agent

为了用好代理，需要理解以下概念:

工具（tools): 执行特定任务的功能。这可以是: Google 搜索、数据库查找、 Python REPL、其他链。工具的接口目前是一个函数，预计将有一个字符串作为输入，一个字符串作为输出。



`1from langchain.agents import load_tools   2from langchain.agents import initialize_agent   3from langchain.agents import AgentType   4from langchain.llms import OpenAI   5    6# 首先，让我们加载用于控制代理的语言模型。   7llm = OpenAI(temperature=0)   8    9# 接下来，让我们加载一些要使用的工具。请注意，“llm-math”工具使用 LLM，因此我们需要将其传入。   10tools = load_tools(["serpapi", "llm-math"], llm=llm)   11    12# 最后，让我们用工具、语言模型和我们想要使用的代理类型来初始化一个代理。   13agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)   14    15# 现在让我们测试一下！   16agent.run("What was the high temperature in SF yesterday in Fahrenheit? What is that number raised to the .023 power?")`

输出：

> Entering new AgentExecutor chain…

I need to find the temperature first, then use the calculator to raise it to the .023 power.

Action: Search

Action Input: “High temperature in SF yesterday”

Observation: San Francisco Temperature Yesterday. Maximum temperature yesterday: 57 °F (at 1:56 pm) Minimum temperature yesterday: 49 °F (at 1:56 am) Average temperature …

Thought: I now have the temperature, so I can use the calculator to raise it to the .023 power.

Action: Calculator

Action Input: 57^.023

Observation: Answer: 1.0974509573251117

Thought: I now know the final answer

Final Answer: The high temperature in SF yesterday in Fahrenheit raised to the .023 power is 1.0974509573251117.

Finished chain.

加入Agent之后，是不是有点智能的味道了，它知道自己去搜索，观察，使用工具，最后形成结论。

内存Memory

到目前为止，我们经历过的所有工具和代理都是无状态的的。

但是通常，您可能希望链或代理具有某种“内存”概念，以便它可以记住关于其以前的交互的信息。

最简单明了的例子就是在设计一个聊天机器人时——你想让它记住之前的消息，这样它就可以利用这些消息的上下文来进行更好的对话。

ConversationChain 这是一种“短期记忆”。

输入：



`1from langchain import OpenAI, ConversationChain   2llm = OpenAI(temperature=0)   3# 让我们看一下如何使用这个链(设置 verbose=True，这样我们就可以看到提示符)。   4conversation = ConversationChain(llm=llm, verbose=True)   5output = conversation.predict(input="Hi there!")   6print(output)   7`

输出



`1> Entering new chain...   2Prompt after formatting:   3The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.   4Current conversation:   5Human: Hi there!   6AI:   7> Finished chain.   8' Hello! How are you today?'`

输入



`1output = conversation.predict(input="I'm doing well! Just having a conversation with an AI.")   2print(output)`

输出



`1> Entering new chain...   2Prompt after formatting:   3The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.   4Current conversation:   5Human: Hi there!   6AI: Hello! How are you today?   7Human: I'm doing well! Just having a conversation with an AI.   8AI:   9> Finished chain.   10" That's great! What would you like to talk about?"`

LangChain专门对于聊天模型进行了封装

聊天模型

LangChain 中当前支持的消息类型是 AIMessage , HumanMessage , SystemMessage , 和 ChatMessage , ChatMessage 接受任意角色参数。大多数时候，您只需要处理 HumanMessage , AIMessage , 和 SystemMessage .



`1from langchain.chat_models import ChatOpenAI   2from langchain.schema import (   3    AIMessage,   4    HumanMessage,   5    SystemMessage   6)   7chat = ChatOpenAI(temperature=0)   8chat([HumanMessage(content="Translate this sentence from English to French. I love programming.")])   9# -> AIMessage(content="J'aime programmer.", additional_kwargs={})`

您还可以为 OpenAI 的 gpt-3.5-turbo 和 gpt-4型号传递多条消息。



`1messages = [   2    SystemMessage(content="You are a helpful assistant that translates English to French."),   3    HumanMessage(content="Translate this sentence from English to French. I love programming.")   4]   5chat(messages)   6# -> AIMessage(content="J'aime programmer.", additional_kwargs={})`

您可以更进一步，使用generate为多组消息生成完成。

这将返回一个带有附加message参数的 LLMResult。



`1batch_messages = [   2    [   3        SystemMessage(content="You are a helpful assistant that translates English to French."),   4        HumanMessage(content="Translate this sentence from English to French. I love programming.")   5    ],   6    [   7        SystemMessage(content="You are a helpful assistant that translates English to French."),   8        HumanMessage(content="Translate this sentence from English to French. I love artificial intelligence.")   9    ],   10]   11result = chat.generate(batch_messages)   12    13result   14# -> LLMResult(generations=[[ChatGeneration(text="J'aime programmer.", generation_info=None, message=AIMessage(content="J'aime programmer.", additional_kwargs={}))], [ChatGeneration(text="J'aime l'intelligence artificielle.", generation_info=None, message=AIMessage(content="J'aime l'intelligence artificielle.", additional_kwargs={}))]], llm_output={'token_usage': {'prompt_tokens': 71, 'completion_tokens': 18, 'total_tokens': 89}})`

有点聊天历史的感觉

同样的，聊天也有链，也有聊天代理

索引 Indexes

还记得我们一开始举的例子吗，我们要怎么切分、存储、检索自己的文档呢？

加载文件后有三个主要步骤:

将文档分割成块
为每个文档创建嵌入
在向量库中存储文档和嵌入



`1# 加载文档   2documents = loader.load()   3# 将文档切块   4from langchain.text_splitter import CharacterTextSplitter   5text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)   6texts = text_splitter.split_documents(documents)   7# 然后，我们将选择要使用的嵌入    8from langchain.embeddings import OpenAIEmbeddings   9embeddings = OpenAIEmbeddings()   10# 最后，我们创建用作索引的向量存储   11from langchain.vectorstores import Chroma   12db = Chroma.from_documents(texts, embeddings)   13# 这就是创建索引的过程，然后，我们在一个检索接口中公开这个索引   14retriever = db.as_retriever()   15# 像以前一样，我们创建一个链，并使用它来回答问题   16qa = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="stuff", retriever=retriever)   17query = "What did the president say about Ketanji Brown Jackson"   18qa.run(query)`