当前位置： 首页 > news >正文

LangChain 入门学习

news 2025/8/13 13:43:33

文章目录

  • 从零开始学习LangChain：新手入门全指南
    • 一、什么是LangChain？
      • 1. 核心定义
      • 2. 用类比理解LangChain
      • 3. 核心组件（3大模块）
    • 二、为什么要用LangChain？
    • 三、安装与环境配置
      • 1. 基础安装
      • 2. LangSmith配置（必学工具）
    • 四、核心功能与基础用法
      • 1. 模型调用（Models）
      • 2. 提示词模板（Prompt Templates）
      • 3. 链（Chains）：组合组件
      • 4. 代理（Agents）：让模型自主决策
      • 5. 向量存储与检索（VectorStores）
    • 五、实战案例：构建RAG对话机器人
    • 六、总结与学习建议
      • 1. 核心知识点回顾
      • 2. 新手学习路径
      • 3. 推荐资源

从零开始学习LangChain：新手入门全指南

一、什么是LangChain？

1. 核心定义

LangChain是一个开源框架，专为开发"由大语言模型（LLMs）驱动的应用"设计。简单说，它就像一个"桥梁"，能让GPT-4、Claude等模型：

  • 连接你的私有数据（如数据库、PDF文件）
  • 执行具体操作（如发邮件、调用API）
  • 组合多个功能完成复杂任务

2. 用类比理解LangChain

官方文档里有个很形象的比喻：LangChain相当于数据库领域的JDBC。

  • JDBC：统一不同数据库的访问接口，让开发者不用关心底层数据库类型
  • LangChain：统一不同大模型的使用方式，同时提供连接外部系统的能力

3. 核心组件（3大模块）

LangChain的功能通过以下三个核心组件实现：

  • Components（组件）
    给大模型提供"基础工具"，包括：

    • LLM Wrappers：封装不同大模型的接口，让你能用统一方式调用GPT-4、Gemini等
    • Prompt Templates：提示词模板，避免硬编码文本（比如固定格式的问题模板）
    • Indexes：用于从文档中高效检索相关信息的索引工具

  • Chains（链）
    将多个组件"串联"起来完成特定任务。例如：
    用Prompt Templates生成查询→调用Indexes检索文档→让LLM生成答案，这一整套流程就是一个Chain。

  • Agents（代理）
    让大模型能"主动与外部环境交互"。比如：
    当模型回答不了问题时，Agent会自动调用搜索引擎获取信息，再基于新信息生成答案。

二、为什么要用LangChain？

对于新手来说，LangChain的核心价值在于：

  1. 数据连接能力
    大模型默认只能用训练时的数据，而LangChain能让模型访问你的私有数据（如本地文档、数据库）。例如：让模型读取你的PDF简历并生成求职信。

  2. 行动执行能力
    不止于"回答"，还能"做事"。比如：根据邮件内容自动生成待办事项并添加到日历。

  3. 简化开发流程
    不用自己写复杂代码连接各种工具，LangChain已经封装好了常用功能，开箱即用。

三、安装与环境配置

1. 基础安装

首先通过pip安装核心库：

# 安装LangChain核心框架
pip install langchain
# 安装OpenAI集成（如果用GPT模型）
pip install langchain-openai

2. LangSmith配置（必学工具）

LangSmith是LangChain官方的开发平台，用于调试、测试大模型应用，强烈建议新手使用。

步骤如下：

  1. 注册账号：访问 LangSmith官网，用GitHub/Google账号登录
  2. 获取API Key：
    • 登录后进入Settings页面
    • 点击"Create API Key"，选择"Personal Access Token"
    • 保存生成的API Key（只显示一次，丢失需重新创建）
  3. 环境变量配置：
    import os
os.environ["LANGCHAIN_API_KEY"] = "你的API Key"
os.environ["LANGCHAIN_TRACING_V2"] = "true"  # 开启追踪功能

LangSmith的免费版包含：

  • 1个用户
  • 每月5000次免费追踪（记录应用运行过程）
  • 基础调试和测试功能

四、核心功能与基础用法

1. 模型调用（Models）

用统一接口调用不同大模型，以OpenAI的GPT-4为例：

# 导入OpenAI模型包装器
from langchain_openai import ChatOpenAI# 初始化模型（需要OpenAI API Key）
os.environ["OPENAI_API_KEY"] = "你的OpenAI密钥"
model = ChatOpenAI(model="gpt-4",  # 模型名称temperature=0.7  # 创造性参数（0-1，值越高回答越灵活）
)# 调用模型生成文本
response = model.invoke("用一句话介绍LangChain")
print(response.content)

参数说明：

  • model：模型名称（如"gpt-3.5-turbo"、“gpt-4”）
  • temperature：控制输出随机性（0=严谨，1=创造性强）

2. 提示词模板（Prompt Templates）

避免重复编写提示词，动态插入变量：

from langchain.prompts import PromptTemplate# 定义模板（用{变量名}作为占位符）
template = "请将以下内容翻译成{language}：{text}"
prompt = PromptTemplate(input_variables=["language", "text"],  # 声明变量template=template
)# 生成具体提示词
formatted_prompt = prompt.format(language="英语",text="我要去上课了，不能和你聊天了。"
)# 调用模型
response = model.invoke(formatted_prompt)
print(response.content)  # 输出："I have to go to class and can't chat with you."

3. 链（Chains）：组合组件

用LLMChain将提示词模板和模型组合：

from langchain.chains import LLMChain# 创建链（连接提示词模板和模型）
chain = LLMChain(prompt=prompt, llm=model)# 直接运行链（自动处理格式和调用）
response = chain.run({"language": "法语","text": "我要去上课了，不能和你聊天了。"
})
print(response)  # 输出法语翻译结果

4. 代理（Agents）：让模型自主决策

Agent能让模型根据需求调用工具（如搜索引擎、计算器）。以简单数学计算为例：

# 安装必要库
pip install langchain-toolsfrom langchain.agents import initialize_agent, AgentType
from langchain.tools import CalculatorTool# 初始化工具（这里用计算器工具）
tools = [CalculatorTool()]# 创建代理
agent = initialize_agent(tools,model,agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,  # 常用代理类型verbose=True  # 显示思考过程
)# 让代理解决问题
response = agent.run("3的平方加上5的立方等于多少？")
print(response)  # 输出：134（3²+5³=9+125=134）

AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION的特点：

  • 基于"思考-行动-观察"循环
  • 适合需要逻辑推理的任务

5. 向量存储与检索（VectorStores）

用于处理文档数据，实现"检索增强生成（RAG）"，步骤如下：

  1. 安装库：

    pip install langchain-chroma  # 轻量级向量数据库
pip install pypdf  # 处理PDF文件

  2. 加载并分割文档：

    from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter# 加载PDF
loader = PyPDFLoader("你的文档.pdf")
documents = loader.load()# 分割文档（大文档拆成小块）
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000,  # 每块1000字符chunk_overlap=200  # 块之间重叠200字符（保持上下文）
)
splits = text_splitter.split_documents(documents)

  3. 存储到向量数据库：

    from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma# 创建向量存储
vectorstore = Chroma.from_documents(documents=splits,embedding=OpenAIEmbeddings()  # 用OpenAI的嵌入模型
)# 创建检索器（用于查询相关文档）
retriever = vectorstore.as_retriever()

  4. 检索并生成答案：

    # 检索与问题相关的文档
docs = retriever.get_relevant_documents("文档中关于LangChain的部分讲了什么？")# 结合文档生成答案（用链组合）
from langchain.chains import RetrievalQAqa_chain = RetrievalQA.from_chain_type(llm=model,chain_type="stuff",  # 将文档内容"填充"到提示词中retriever=retriever
)response = qa_chain.run("文档中关于LangChain的部分讲了什么？")
print(response)

五、实战案例：构建RAG对话机器人

RAG（检索增强生成）是LangChain最常用的场景，能让机器人基于特定文档回答问题。完整流程如下：

  1. 加载数据：用DocumentLoaders读取PDF、网页等内容
  2. 分割文本：用TextSplitter拆分成小块（适配模型上下文窗口）
  3. 嵌入存储：将文本转为向量并存入VectorStore
  4. 检索相关内容：根据用户问题，用Retriever找到相关文本
  5. 生成答案：让LLM结合问题和检索到的文本生成回答

代码示例（整合版）：

# 1. 加载文档
loader = PyPDFLoader("课程笔记.pdf")
documents = loader.load()# 2. 分割文本
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(documents)# 3. 存储向量
vectorstore = Chroma.from_documents(splits, OpenAIEmbeddings())
retriever = vectorstore.as_retriever()# 4. 创建问答链
qa_chain = RetrievalQA.from_chain_type(llm=model,chain_type="stuff",retriever=retriever,return_source_documents=True  # 返回引用的文档
)# 5. 提问并获取答案
result = qa_chain({"query": "课程中提到的LangChain核心组件有哪些？"})
print("答案：", result["result"])
print("引用文档：", [doc.metadata for doc in result["source_documents"]])

六、总结与学习建议

1. 核心知识点回顾

  • LangChain是连接大模型与外部系统的框架
  • 三大组件：Components（工具）、Chains（流程）、Agents（决策）
  • 关键功能：数据连接、行动执行、RAG检索增强

2. 新手学习路径

  1. 先掌握基础组件（模型调用、提示词模板、简单链）
  2. 学习向量存储与RAG（最常用场景）
  3. 尝试用Agent实现复杂任务（如多工具协同）
  4. 用LangSmith调试和优化应用

3. 推荐资源

  • 官方文档：LangChain Docs
  • 实战项目：从简单的PDF问答机器人开始，逐步增加功能

希望这篇指南能帮你快速入门LangChain！如果有任何问题，欢迎在评论区交流～

http://www.lryc.cn/news/619046.html

相关文章：

  • 【限时分享：Hadoop+Spark+Vue技术栈电信客服数据分析系统完整实现方案
  • Docker概述与安装Dockerfile文件
  • Docker使用----（安装_Windows版）
  • 第二章：核心数据结构与面向对象思想之接口的奥秘
  • 3 Abp 核心框架(Core Framework)
  • Milvus 结合极客天成 NVFile 与 NVMatrix 实现高性能向量存储
  • LDAP 登录配置参数填写指南
  • 【VB.NET快乐数】2022-10-17
  • （树形 dp、数学）AT_dp_v Subtree 题解
  • 5年保留期+4次补考机会，灵活通关的申研机制
  • 【CV 目标检测】②——NMS（非极大值抑制）
  • git+lfs 如何安装
  • 股票智能体系统的设计与开发
  • Vue3 组合式API vs 选项式API：深度对比与最佳实践
  • SQL连接操作全解析：从入门到精通
  • 自动驾驶决策算法 —— 有限状态机 FSM
  • 基于SpringBoot的旅游网站系统
  • Jenkins + SonarQube 从原理到实战三：SonarQube 打通 Windows AD（LDAP）认证与踩坑记录
  • Linux内核进程管理子系统有什么第二十六回 —— 进程主结构详解（22）
  • 基于51单片机RFID智能门禁系统红外人流量计数统计
  • 【K8s】K8s控制器——Deamonset、Statefulset、Job与CronJob
  • 下一代防火墙部署
  • 树结构无感更新及地图大批量点位上图Ui卡顿优化
  • C#对接Ollama，调用大模型禁用思考模式
  • JMeter并发测试与多进程测试
  • pcl 按比例去除点云的噪点
  • 编程模型设计空间的决策思路
  • QT第四讲-QString和QT数据类型之间转换
  • 当多模态大语言模型遇上视觉难题！AI视觉探索之旅
  • NLP基础