LLM大模型从入门到精通（5）--LangChain基础知识入门

 LangChain是一个基于大语言模型用于构建端到端语言模型应用的框架，它提供了一系列工具、套件和接口，让开发者使用语言模型来实现各种复杂的任务，如文本到图像的生成、文档问答、聊天机器人等。

一、什么是LangChain？

        LangChain 由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架。LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用.

github: https://github.com/langchain-ai/langchain

中文文档：https://www.langchain.asia

官方文档：https://python.langchain.com/docs/get_started/introduction

 

        LangChain 简化了LLM应用生命周期的每个阶段，包括开发、生产化和部署。LangChain 提供了一套开源的构建块、组件和第三方集成，使用户能够构建具有状态的代理，支持一流的流处理和人工干预支持，并提供了LangGraph来构建复杂的多参与者应用，通过将步骤建模为图中的边和节点。

        LangChain 还提供了如何使用的工具和指南，例如如何定义自定义工具，构建简单的LLM应用、聊天机器人或代理，以及如何使用LangGraph。它还包括教程、如何操作的指南、概念性指南和API参考，以帮助开发者更好地理解和使用LangChain。

        此外，LangChain 允许开发者通过组合不同的组件来创建链，这些组件可以是提示模板、LLMs 或代理等。链可以是简单的，也可以是复杂的，通过组合多个链或其他组件来实现更高级的应用。开发者可以通过LangChain提供的接口和类，例如 Chain 接口和 BaseTool 类，来构建和定义自己的工具和链，以及处理工具错误。

LangChain框架由以下开源库组成：

langchain-core ：基础抽象和LangChain表达式语言

langchain-community ：第三方集成。合作伙伴包（如langchain-openai、langchain-anthropic等），一些集成已经进一步拆分为自己的轻量级包，只依赖于langchain-core

langchain ：构成应用程序认知架构的链、代理和检索策略

langgraph：通过将步骤建模为图中的边和节点，使用 LLMs 构建健壮且有状态的多参与者应用程序

langserve：将 LangChain 链部署为 REST API

LangSmith：一个开发者平台，可让您调试、测试、评估和监控LLM应用程序，并与LangChain无缝集成
 

 

二、LangChain基本使用

构建一个 LangChain应用程序来熟悉该框架。

安装LangChain

安装指定版本的LangChain，这里安装截止目前的最新版本

 
pip install langchain==0.1.7

执行安装LangChain命令后，会自动安装以下相关组件

Installing collected packages: langsmith, langchain-core, langchain-text-splitters, langchain-community, langchain

克隆LangChain存储库从源代码安装

pip install -e

安装LangChain时包括常用的开源LLM（大语言模型） 库

pip install langchain[llms]

配置环境变量

安装第三方集成库，以使用OpenAI

pip install langchain langchain_openai

使用提示模板

使用提示模板来指导其响应。 提示模板将原始用户输入转换为更好的 LLM 输入

 
# 初始化模型
from langchain_openai import ChatOpenAI
 
llm = ChatOpenAI()
 
# 创建提示模板
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
    ("system", "您是世界级的技术文档编写者。"),
    ("user", "{input}")
])
 
# 组合成一个简单的 LLM 链
chain = prompt | llm 
 
# 使用LLM链
chain.invoke({"input": "Langsmith 如何帮助进行测试?"})