--- title: Langchain的简易教程 description: "" date: 2025-03-11T11:05:13+08:00 # image: images/index/index.png categories: - Library tags: - LangChain --- LangChain 是一个强大的开源框架，用于构建基于大型语言模型（LLM）的应用程序。它简化了开发流程，支持上下文感知、外部数据源集成以及复杂的工作流编排。以下是一个最新的入门教程概览，适用于2025年3月的背景： --- ## LangChain 简易教程 ### 1. 安装 LangChain 确保您已经安装了 Python（建议使用 3.9 或更高版本）。通过以下命令安装 LangChain 的核心库： ```bash pip install langchain ``` 如果您需要特定的集成（例如 OpenAI、Anthropic 等），可以安装对应的合作伙伴包： ```bash pip install langchain-openai pip install langchain-anthropic ``` ### 2. 基础概念 LangChain 的核心包括以下几个模块： - **模型 I/O（Model I/O）**：与 LLM 交互，发送提示并获取输出。 - **内存（Memory）**：保留对话上下文，例如使用 `ConversationBufferMemory`。 - **链（Chains）**：组合提示、模型和外部工具，例如 `LLMChain` 或 `SequentialChain`。 - **检索（Retrieval）**：通过向量数据库（如 Qdrant 或 FAISS）实现检索增强生成（RAG）。 - **代理（Agents）**：让 LLM 根据工具动态决策。 ### 3. 快速上手示例：构建一个简单的问答系统 首先再项目路径下面创建一个.env文件，并添加以下内容： ```bash # 阿里云 ## qwq-32b api_key = "sk-..." # your-api-key model = "qwq-32b" base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1" # openai .... ``` 以下是一个使用 LangChain 与 OpenAI 模型构建简单问答系统的代码示例： ```python from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from dotenv import load_dotenv import os load_dotenv() # 初始化模型 # 可以使用OpenAI的API # llm = ChatOpenAI(model="gpt-4", api_key="your-openai-api-key") # 或者可以用其他的API，比如阿里云的 api_key = os.getenv("api_key") base_url = os.getenv("base_url") model = os.getenv("model") llm = ChatOpenAI(api_key=api_key, base_url=base_url,model=model, streaming=True) # 定义提示模板 prompt = PromptTemplate( input_variables=["question"], template="请简洁回答以下问题：{question}" ) # 创建链 chain = LLMChain(llm=llm, prompt=prompt) # 运行链 question = "2025年的技术趋势是什么？" response = chain.run(question) print(response) ``` **输出示例**（假设模型预测）： 2025年的技术趋势将聚焦以下方向： 1. **人工智能与生成式AI**：生成式AI（如大模型）在内容创作、医疗诊断、客户服务等领域广泛应用，推动自动化与个性化服务。 2. **量子计算**：实用化进展加速，可能在密码学、材料科学和药物研发中解决复杂问题。 3. **可持续技术**：绿色能源（如高效太阳能、储能技术）、碳捕捉及电动汽车技术进一步成熟，助力碳中和目标。 4. **扩展现实（XR）与元宇宙**：AR/VR在教育、远程协作和虚拟经济中的渗透率提升，推动沉浸式体验场景。 5. **生物科技**：基因编辑（如CRISPR）、合成生物学和个性化医疗将革新疾病治疗与生物制造。 6. **物联网与边缘计算**：5G/6G网络与边缘计算结合，优化工业自动化、智慧城市和实时数据分析。 7. **网络安全**：零信任架构与AI驱动的安全系统成为应对网络威胁的核心，保护关键基础设施。 这些趋势将重塑产业、生活方式及全球竞争力。 ### 4. 进阶功能：RAG 系统 检索增强生成（RAG）是 LangChain 的强大功能，可结合外部数据回答问题。以下是一个简单示例： ```python from langchain_openai import OpenAIEmbeddings from langchain.vectorstores import FAISS from langchain.chains import RetrievalQA from langchain.document_loaders import TextLoader # 加载文档 loader = TextLoader("your_document.txt") documents = loader.load() # 创建嵌入并存储到向量数据库 embeddings = OpenAIEmbeddings(api_key="your-openai-api-key") vector_store = FAISS.from_documents(documents, embeddings) # 初始化检索链 qa_chain = RetrievalQA.from_chain_type( llm=ChatOpenAI(model="gpt-4", api_key="your-openai-api-key"), chain_type="stuff", retriever=vector_store.as_retriever() ) # 查询 response = qa_chain.run("文档中提到的重要内容是什么？") print(response) ``` ### 5. 使用 LangGraph 构建复杂代理 LangGraph 是 LangChain 的扩展，适用于构建多代理或复杂工作流。以下是一个简化的 LangGraph 示例： ```python from langgraph.graph import StateGraph, END from typing import TypedDict # 定义状态 class AgentState(TypedDict): question: str answer: str # 定义节点 def question_node(state: AgentState) -> AgentState: state["answer"] = f"回答：{state['question']}" return state # 创建图 workflow = StateGraph(AgentState) workflow.add_node("question", question_node) workflow.set_entry_point("question") workflow.add_edge("question", END) # 编译并运行 graph = workflow.compile() result = graph.invoke({"question": "今天天气如何？"}) print(result["answer"]) ``` ### 6. 最新资源推荐 截至2025年3月11日，以下资源可能是最新的学习途径： - **LangChain 官方文档**：访问 [python.langchain.com](https://python.langchain.com) 获取最新 API 参考和指南。 - **LangChain 中文社区**：如 [www.langchain.com.cn](https://www.langchain.com.cn) 或 [www.langchain.asia](https://www.langchain.asia)，提供中文教程和文档。 - **GitHub 仓库**：查看 [github.com/langchain-ai/langchain](https://github.com/langchain-ai/langchain) 获取最新代码和示例。 - **X 上的更新**：关注 @LangChainAI，获取最新集成和教程。例如，2025年3月9日的帖子提到 Deno 与 LangChain.js 的本地 LLM 集成教程。 ### 7. 下一步 - **尝试 LangSmith**：用于调试和监控您的 LangChain 应用。 - **部署**：使用 LangServe 将链部署为 REST API。 - **探索多模态**：结合图像或音频输入，扩展应用场景。 --- ## LangChain 模块化教程 LangChain 的核心功能可以分为以下几个模块： 1. **模型 I/O（Model I/O）** - 与语言模型交互 2. **内存（Memory）** - 管理对话上下文 3. **链（Chains）** - 组合提示和逻辑 4. **检索（Retrieval）** - 外部数据增强生成 5. **代理（Agents）** - 动态工具调用 6. **LangGraph** - 复杂工作流和多代理系统 以下是每个模块的教程： --- ### 1. 模型 I/O（Model I/O） **功能**：与 LLM 交互，包括输入提示、调用模型和处理输出。 **教程**： ```python from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate # 初始化模型 llm = ChatOpenAI(model="gpt-4", api_key="your-openai-api-key") # 或者可以用其他的API，比如阿里云的 api_key = "your-api-key" base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1" llm = OpenAI(api_key=api_key, base_url=base_url,model="qwq-32b", streaming=True,) # 定义提示模板 prompt = PromptTemplate.from_template("请用简洁的语言回答：{question}") # 调用模型 question = "2025年的 AI 趋势是什么？" response = llm.invoke(prompt.format(question=question)) print(response.content) ``` **输出示例**： "2025年的 AI 趋势包括多模态模型和自动化代理的广泛应用。" **要点**： - 支持多种模型（OpenAI、Anthropic、Hugging Face 等）。 - 可调整温度（temperature）和最大 token 数等参数。 --- ### 2. 内存（Memory） **功能**：保存和管理对话历史，提供上下文支持。 **教程**： ```python from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain from langchain_openai import ChatOpenAI # 初始化模型 llm = ChatOpenAI(model="gpt-4", api_key="your-openai-api-key") # 创建内存 memory = ConversationBufferMemory() # 创建对话链 conversation = ConversationChain(llm=llm, memory=memory) # 第一轮对话 print(conversation.run("我叫张三，今年30岁。")) # 输出：好的，张三，很高兴认识你！你今天过得怎么样？ # 第二轮对话 print(conversation.run("你还记得我多大吗？")) # 输出：当然记得，你今年30岁！ ``` **要点**： - `ConversationBufferMemory` 存储完整历史。 - 其他选项如 `ConversationSummaryMemory` 可总结对话以节省 token。 --- ### 3. 链（Chains） **功能**：将提示、模型和逻辑组合成可重复使用的流程。 **教程**： ```python from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain # 初始化模型 llm = ChatOpenAI(model="gpt-4", api_key="your-openai-api-key") # 定义提示 prompt = PromptTemplate( input_variables=["topic"], template="请写一段关于{topic}的简短介绍。" ) # 创建链 chain = LLMChain(llm=llm, prompt=prompt) # 运行链 response = chain.run(topic="量子计算") print(response) ``` **输出示例**： "量子计算利用量子力学原理进行计算，能够在特定任务上大幅超越传统计算机。" **要点**： - `SequentialChain` 可连接多个链。 - 支持条件分支和自定义逻辑。 --- ### 4. 检索（Retrieval） **功能**：通过向量数据库从外部文档中检索相关信息。 **教程**： ```python from langchain_openai import OpenAIEmbeddings from langchain.vectorstores import FAISS from langchain.chains import RetrievalQA from langchain.document_loaders import TextLoader # 加载文档 loader = TextLoader("sample.txt") # 假设文件内容为技术趋势 documents = loader.load() # 创建嵌入和向量存储 embeddings = OpenAIEmbeddings(api_key="your-openai-api-key") vector_store = FAISS.from_documents(documents, embeddings) # 创建检索链 qa_chain = RetrievalQA.from_chain_type( llm=ChatOpenAI(model="gpt-4", api_key="your-openai-api-key"), chain_type="stuff", retriever=vector_store.as_retriever() ) # 查询 response = qa_chain.run("2025年的技术趋势是什么？") print(response) ``` **输出示例**： "根据文档，2025年的技术趋势包括量子计算和 AI 驱动的自动化。" **要点**： - 支持多种向量存储（如 FAISS、Qdrant、Pinecone）。 - 可用于问答、文档搜索等场景。 --- ### 5. 代理（Agents） **功能**：让 LLM 使用工具动态解决问题。 **教程**： ```python from langchain_openai import ChatOpenAI from langchain.agents import initialize_agent, Tool from langchain.utilities import WikipediaAPIWrapper # 初始化模型 llm = ChatOpenAI(model="gpt-4", api_key="your-openai-api-key") # 定义工具 wikipedia = WikipediaAPIWrapper() tools = [ Tool( name="Wikipedia", func=wikipedia.run, description="用于查询维基百科的信息" ) ] # 创建代理 agent = initialize_agent(tools, llm, agent_type="zero-shot-react-description") # 运行代理 response = agent.run("告诉我关于 LangChain 的信息") print(response) ``` **输出示例**： "LangChain 是一个用于构建 LLM 应用的框架，支持内存、检索和代理功能。" **要点**： - 支持多种工具（如搜索、计算器、API 调用）。 - 代理类型包括 `react`、`self-ask-with-search` 等。 --- ### 6. LangGraph **功能**：构建复杂的工作流或多代理系统。 **教程**： ```python from langgraph.graph import StateGraph, END from typing import TypedDict # 定义状态 class GraphState(TypedDict): question: str answer: str # 定义节点 def answer_node(state: GraphState) -> GraphState: state["answer"] = f"答案是：{state['question']} 的解决方案。" return state # 创建图 workflow = StateGraph(GraphState) workflow.add_node("answer", answer_node) workflow.set_entry_point("answer") workflow.add_edge("answer", END) # 编译并运行 graph = workflow.compile() result = graph.invoke({"question": "如何学习 LangChain"}) print(result["answer"]) ``` **输出示例**： "答案是：如何学习 LangChain 的解决方案。" **要点**： - LangGraph 适合循环逻辑或多步骤任务。 - 可扩展为多代理协作。 --- ### 综合示例：结合所有模块 假设我们要构建一个回答技术问题的系统： ```python from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain.prompts import PromptTemplate from langchain.memory import ConversationBufferMemory from langchain.chains import LLMChain from langchain.vectorstores import FAISS from langchain.document_loaders import TextLoader from langchain.agents import initialize_agent, Tool # 初始化模型和内存 llm = ChatOpenAI(model="gpt-4", api_key="your-openai-api-key") memory = ConversationBufferMemory() # 加载外部文档 loader = TextLoader("tech_trends_2025.txt") documents = loader.load() vector_store = FAISS.from_documents(documents, OpenAIEmbeddings(api_key="your-openai-api-key")) # 定义工具 def search_docs(query): return vector_store.similarity_search(query)[0].page_content tools = [Tool(name="DocumentSearch", func=search_docs, description="搜索文档")] # 创建代理 agent = initialize_agent(tools, llm, agent_type="zero-shot-react-description", memory=memory) # 运行 response = agent.run("2025年的技术趋势是什么？") print(response) ``` --- ### 学习资源 - **官方文档**：https://python.langchain.com - **GitHub**：https://github.com/langchain-ai/langchain - **X 更新**：关注 @LangChainAI 获取最新动态。 如果您想深入某个模块或需要更具体示例，请告诉我！