LangChain的更新和可能的替换方案

2022 年 10 月，LangChain 成为大型语言模型 (LLM) 应用框架领域的知名参与者。Harrison Chase 在 Robust Intelligence 工作期间开发了 LangChain，其愿景是创建一个框架来简化聊天机器人、文档摘要和代码分析等各种应用程序与 LLM 的交互。

由于其开源特性以及 GitHub 上开发人员的积极贡献，该框架迅速在技术社区中获得了关注。到 2023 年初，LangChain 的受欢迎程度已显著提升，这得益于社交媒体上的讨论、蓬勃发展的 Discord 社区以及 YouTube 等平台上的教育内容。

2023 年 4 月，LangChain 转型为一家初创公司，从 Sequoia Capital 和 Benchmark 等风险投资公司获得了超过 2000 万美元的资金。这笔资金支持凸显了人们对该框架的高度期望，尤其是在 ChatGPT 被广泛采用后，人们对生成式 AI 技术产生了浓厚兴趣的时期。

2023 年下半年，LangChain 推出了 LangChain 表达语言 (LCEL) 和 LangServe 等新功能，旨在增强开发人员的功能并简化应用程序部署。到年底，LangChain 已成为开发 AI 应用程序的工具，并成为不断发展的 AI 领域的重要参与者。

LangChain 最新更新

2024 年 5 月，LangChain 发布了 0.2 版本，引入了重大更新以解决早期的批评并改善用户体验。此版本包括重大更改和弃用，旨在简化功能并增强集成能力。

主要更新包括：

• 引入 LangChain 表达语言 (LCEL)，使定义动作链采用更具声明性的风格
• 更新以langchain-cli简化旧链的迁移
• 增强安全措施并改进错误处理
• 推出 LangServe，一款用于将 LCEL 代码托管为可用于生产的 API 的部署工具

这些更新旨在保持 LangChain 在语言模型框架竞争格局中的相关性，并为开发人员提供更强大的 AI 驱动应用程序开发工具。

可用性和复杂性问题

尽管 LangChain 广受欢迎，但它的可用性和复杂性也受到了批评。许多开发人员表示，该框架的结构可能令人困惑，过多的抽象层次使得人们很难理解其实现的核心机制。

一些常见的投诉包括：

• 过度依赖“辅助”函数，这些函数通常只是包装了标准的 Python 功能
• 高度抽象导致意外行为和不一致
• 由于框架的层次复杂，定制化面临挑战
• 由于文档不清晰和隐藏的复杂性，导致故障排除困难

这些问题导致一些开发人员质疑 LangChain 是否是他们的项目的最佳工具，尤其是与更直接的替代方案相比时。

生产表现

LangChain 在实际应用中的表现引起了一些开发人员的担忧。有报告称其运行缓慢且资源消耗大，这可能会影响依赖该框架的应用程序的效率。

一些具体问题包括：

• 任务执行时间比预期的要长
• ConversationRetrievalChain 倾向于重新表述用户输入，有时会打乱对话流程
• 在精确术语至关重要的专业行业中适应性有限

虽然 LangChain 可能对学习和原型设计有用，但这些性能问题导致一些开发人员质疑其是否适用于生产环境，特别是在具有特定术语或高风险场景的行业。

文档和社区支持

LangChain 的文档一直是许多用户的争论点。与一些竞争框架相比，LangChain 的文档质量被批评为低于标准，有报道称：

• 指导不完整且解释不明确
• 过时的信息和损坏的链接
• 误导性的代码示例

这些文档问题可能会阻碍新用户有效地利用该平台，并可能阻碍在可靠资源至关重要的生产环境中更广泛地采用该平台。

虽然 LangChain 已经建立了一个支持和知识共享的社区，但这个社区的稳健性在一定程度上受到文档问题的阻碍。开发人员通常需要依靠社区论坛来填补官方文档留下的空白，这可能导致所获得的支持不一致。

LangChain 的替代解决方案

在考虑 LangChain 的替代方案时，值得探索其他可能提供不同方法或优势的库。其中一个替代方案是Kenny Vaneetvelde（没错，就是我！）开发的 Atomic Agents。

Atomic Agents 旨在解决 LangChain 和其他类似框架存在的一些缺陷。以下是 Atomic Agents 的一些主要功能和理念：

• 模块化和可扩展性：该框架建立在创建小型、单一用途组件的原则之上，类似于 UI 开发中的原子设计概念。这种方法旨在使框架更加灵活且更易于理解。
• 基于 Instructor 和 Pydantic 构建：Atomic Agents 利用 Instructor 的强大功能与语言模型进行交互，并利用 Pydantic 进行数据验证和序列化，为构建 AI 应用程序提供了坚实的基础。
• 模型兼容性：由于依赖于 Instructor，Atomic Agents 不仅与 OpenAI 兼容，还与各种 AI 模型兼容，包括 Cohere、Anthropic、Gemini 以及 Instructor 支持的其他模型。
• 易于使用：该框架设计得非常用户友好，注重清晰的文档和示例，帮助开发人员快速入门。
• 灵活性：Atomic Agents 可以通过 Ollama 或 LMStudio 等平台与本地模型协同工作，为喜欢或需要本地部署的开发人员提供选项。

通过关注这些方面，Atomic Agents 旨在为使用 AI 模型的开发人员提供更简化、更直观的体验，同时避免与 LangChain 相关的一些复杂性和可用性问题。

值得注意的是，作为 Atomic Agents 的创建者，我专门设计它来解决我在其他框架中观察到的局限性。但是，与任何工具一样，它的适用性将取决于您的特定项目要求和偏好。

结论

虽然 LangChain 已经获得了普及，并推出了更新来解决一些问题，但仍然存在一些可能影响其有效性的限制，特别是在生产环境中：

• 自然语言处理任务中存在的问题，例如 ConversationRetrievalChain 倾向于重新措辞输入问题，这可能会扰乱对话流程
• 由于缺乏标准化的可互操作数据类型而导致集成方面的挑战
• 在需要对上下文和术语有细致理解的专业领域中效果有限
• 对文档质量和易用性的持续担忧

这些因素表明，虽然 LangChain 可以成为有用的教育资源和原型设计工具，但随着更加专业化和用户友好的替代方案的出现，它可能会面临保持相关性的挑战。