从Java转行大模型应用, LangChain的入门

作者：初心未改HD
简介

LangChain是一个开源的PythonAI应用开发框架，它提供了构建基于大模型的AI应用所需的模块和工具。通过LangChain,开发者可以轻松地与大型语言模型（LLM）集成，完成文本生成、问答、翻译、对话等任务。LangChain降低了AI应用开发的门槛让任何人都可以基于LLM构建属于自己的创意应用。
LangChain 特性:

• LLM和提示(Prompt)：LangChain对所有LLM 大模型进行了API抽象，统一了大模型访问API，同时提供了Prompt 提示模板管理机制。
  
• 链(Chain)：Langchain对一些常见的场景封装了一些现成的模块，例如：基于上下文信息的问答系统，自然语言生成SQL查询等等，因为实现这些任务的过程就像工作流一样，一步一步的执行，所以叫链(chain)。
  
• LCEL：LangChain Expression Language (LCEL)，LangChain 新版本的核心特性，用于解决工作流编排问题，通过LCEL表达式，我们可以灵活的自定义AI任务处理流程，也就是灵活自定义链(Chain)。
  
• 数据增强生成（RAG）：因为大模型（LLM）不了解新的信息，无法回答新的问题，所以我们可以将新的信息导入到LLM，用于增强LLM生成内容的质量，这种模式叫做RAG模式(Retrieval Augmented Generation)。
  
• Agents：是一种基于大模型（LLM）的应用设计模式，利用LLM的自然语言理解和推理能力（LLM作为脑），根据用户的需求自动调用外部系统、设备共同去完成任务。
  
• 模型记忆（memory）：让大模型(Im）记住之前的对话内容，这种能力成为模型记忆（memory）。
  

LangChain 框架组成

整体架构概述

该图展示了 LangChain 技术栈的模块化架构，核心围绕 LangChain 框架展开，通过分层设计支持多语言、多场景的 AI 应用开发。图中模块分为功能层、工具层、核心层和扩展层，强调模块化、可扩展性和跨平台兼容性。
整体架构层级划分

部署与服务层（LangServe & Deployments）
应用模板层（Templates & Committee Architectures）
核心功能层（LangChain）
社区扩展层（LangChain-Community）
底层核心与运行时（LangChain-Core & LCEL）
LangChain框架的主要组成部分

LangChain Libraries(库)：包括了组件的接口和集成，以及链和代理的实现，目前有python版本和JavaScript本。
LangChain Templates(模板)：官方提供的适用于各种任务的参考架构。
LangServe：用于将LangChain链部署为REST API的库。
LangSmith：官方提供的开发者平台，可以调试、测试、评估和监控基于任何LLM构建的链，并与LangChain无缝集成。
LangChain 库(Libraries)

LangChain库本身由几个不同的包组成。

• langchain-core：基础抽象和LangChain表达语言。
  
• langchain-community：第三方集成，主要包括LangChain集成的第三方组件。langchain：主要包括链（chain)、代理(agent)和检索策略。
  

LangChain任务处理流程

如上图，LangChain提供一套提示词模板【prompt template）管理工具，负责处理提示词，然后传递给大模型处理，最后处理大模型返回的结果LangChain对大模型的封装主要包括LLM和ChatModel两种类型。

• LLM-问答模型，模型接收一个文本输入，然后返回一个文本结果。
  
• ChatModel-对话模型，接收一组对话消息，然后返回对话消息，类似聊天消息一样。
  

核心概念

1.LLMs

LangChain封装的基础模型，模型接收一个文本输入，然后返回一个文本结果。
2. Chat Models

聊天模型（或者成为对话模型），与LLMs不同，这些模型专为对话场景而设计。模型可以接收一组对话消息，然后返回对话消息，类似聊天消息一样。
3.消息(Message)

指的是聊天模型（ChatModels）的消息内容，消息类型包括包括HumanMessage、AlMessage、
SystemMessage、FunctionMessage和ToolMessage等多种类型的消息。
4. 提示(prompts)

LangChain封装了一组专门用于提示词（prompts)管理的工具类，方便我们格式化提示词（prompts）内容。
5.输出解析器(Output Parsers)

如上图介绍，Langchain接受大模型（lm）返回的文本内容之后，可以使用专门的输出解析器对文本内容进行格式化，例如解析json、或者将Ilm输出的内容转成python对象。
6. Retrievers

为方便我们将私有数据导入到大模型（LLM），提高模型回答问题的质量，LangChain封装了检索框架（Retrievers)，方便我们加载文档数据、切割文档数据、存储和检索文档数据。
7.向量存储(Vector stores)

为支持私有数据的语义相似搜索，LangChain支持多种向量数据库。
8. Agents

智能体（Agents)，通常指的是以大模型（LLM）作为决策引擎，根据用户输入的任务，自动调用外部系统、硬件设备共同完成用户的任务，是一种以大模型（LLM）为核心的应用设计模式。
应用场景

• 对话机器人：构建智能的对话助手、客服机器人、聊天机器人等。
  
• 知识库问答：结合知识图谱，进行开放域问题的问答服务。
  
• 智能写作：如文章写作、创意写作、文本摘要等。
  

快速入门

安装LangChain

要安装LangChain，可以使用Pip和Conda进行安装。以下是安装LangChain的步骤：
使用Pip:

1. pip install langchain

复制代码

初始化模型

在使用LangChain之前，需要导入LangChainOpenAl集成包，并设置API密钥作为环境变量或直接传递给OpenAl LLM类。

1. from langchain_openai import ChatopenAI
2. llm = ChatOpenAI()
4. # 使用DeepSeek 模型的方式
5. llm = ChatOpenAI(
6.     model="deepseek-chat",
7.     openai_api_key = "deepSeek api key",
8.     openai_api_base = "https://api.deepseek.com/v1"
9. )

复制代码

使用LLM

使用LLM来回答问题非常简单。可以直接调用LLM的invoke方法，并传入问题作为参数。此外，还可以通过提示模板（prompttemplate)生成提示词，用于向模型（LM)发送指令。
下面演示了如何构建一个简单的LLM链（chains）

1. from langchain_core.prompts import ChatPromptTemplate
3. # 创建一个提示模板(prompttemplate)
4. #这里以对话模型的消息格式为例子，不熟悉openai对话模型消息格式，建议先学习openAI的API教程
5. #下面消息模板，定义两条消息，system消息告诉模型扮演什么角色，user消息代表用户输入的问题
6. prompt =ChatPromptTemplate.from_messages([
7. （"system"，"你是高级的技术专家"),
8. ("user"，"{input}")
9. )
11. # 基于LCEL表达式构建LLM链，lcel语法类似linux的pipeline语法，从左到右按顺序执行
12. #下面编排了一个简单的工作流，首先执行prompt完成提示词模板（prompttemplate）格式化处理
13. chain = prompt | llm
15. #调用LLM链并设置模板参数input，invoke会把调用参数传递给prompt提示模板
16. chain.invoke({"input"："帮我写一篇关于AI的技术文章，100个字以内"})

复制代码

输出转换

1. from langchain_core.output_parsers import StrOutputParser
3. #创建一个字符串输出解析器
4. output_parser = StrOutputParser()
6. chain = prompt | llm | output_parser
8. #调用LLM链并提出问题
9. chain.invoke({"input"："帮我写一篇关于LangChain的技术文章，100个字"})

复制代码

原文地址：https://blog.csdn.net/qq_31220341/article/details/158389588