最近在准备一个AI开发技能培训，其中会讲到LangChain。作为大模型应用开发最知名的框架，它的版本更迭也挺快的。总的来说，LangChain门槛有点高，上限有点低，越山认为，对一般人而言，它并不适合投入大量精力去学习。通过实践来学习和精进，或许是更有效的方法。
今天，就再次简单介绍一下LangChain。
LangChain 是一个开源的 Python 框架，专为构建基于大型语言模型（LLM）的应用程序而设计。它的主要目的是简化 AI 应用的开发过程，使开发者能够轻松集成 LLM，完成文本生成、问答、对话等多种任务。LangChain 提供了一系列模块和工具，降低了 AI 应用开发的门槛，允许用户根据自己的需求快速构建应用。
https://python.langchain.com/docs/tutorials/
LangChain 的历史
LangChain 由 Harrison Chase 于 2022 年创建，为了解决大型语言模型在特定领域应用中的局限性。随着 LLM 的普及，开发者发现，尽管这些模型在一般情况下表现优异，但在处理特定领域数据时却常常面临挑战。LangChain 的出现正是为了填补这一空白，通过提供灵活的架构，使得开发者能够将 LLM 与组织内部的数据源整合，从而提高模型的准确性和相关性。
LangChain 的发展伴随着社区的支持和不断的功能扩展，逐渐形成了一个丰富的生态系统，包括各种组件、模板和集成工具，帮助开发者更高效地构建复杂的 AI 应用。其核心特性如链（Chain）、提示模板（Prompt Template）、代理（Agents）等，使得用户能够灵活地设计工作流，并增强模型的上下文感知能力。
核心产品与功能
1. LLM 接口
LangChain 提供了统一的 API 接口，允许开发者轻松连接和查询各种 LLM，包括公共和专有模型，如 GPT、Bard 等。通过简化的 API 调用，开发者可以避免复杂的代码编写。
2. 提示模板 (Prompt Templates)
LangChain 提供预构建的提示模板，帮助开发者一致且准确地格式化对 LLM 的查询。这些模板可以用于聊天应用、少量示例学习等场景，并且可以在不同的应用和模型之间重用。
3. 智能体 (Agents)
智能体是一种特殊的链，它允许 LLM 根据用户输入决定最佳的响应序列。开发者可以提供用户输入、可用工具和可能的中间步骤，LLM 将返回可行的操作序列。
4. 检索模块 (Retrieval Modules)
LangChain 支持构建检索增强生成（RAG）系统，提供多种工具来转换、存储、搜索和检索信息，以优化 LLM 的响应。开发者可以创建信息的语义表示并将其存储在本地或云向量数据库中。
5. 模型记忆 (Memory)
LangChain 允许 LLM 记住先前的对话内容，从而增强对话的连贯性和上下文感知能力。
6. 检过增强生成 (RAG)
通过将新的信息导入到 LLM 中，LangChain 能够提高生成内容的质量，减少模型幻觉现象，并提升响应准确性。
LangChain其他组件
- LangChain 库
LangChain 包含多个库，例如 langchain-core 和 langchain-community，提供基础抽象和第三方集成。这些库支持构建复杂应用程序所需的各种功能。
- LangServe
基于 FastAPI，LangServe 可以将 LangChain 定义的链发布为 REST API，方便应用程序的部署和访问。
- LangSmith
这是一个开发平台，支持 LangChain 的调试、监控和评估，使得应用程序可以持续优化并安全部署。
应用场景
对话机器人：构建智能对话助手、客服机器人等。 知识库问答：结合知识图谱进行开放域问题回答。 智能写作：支持文章写作、创意写作、文本摘要等任务。
通过这些产品和功能，LangChain 为开发者提供了一个灵活且强大的平台，以便快速构建基于 LLM 的应用程序，从而推动 AI 技术在各个领域的应用。
搭建知识库问答
要使用LangChain搭建一个简单的RAG（检索增强生成）问答系统，可以按照以下步骤进行。RAG结合了信息检索和文本生成的技术，能够有效提高问答系统的性能。以下是详细的实现步骤：
1. 环境准备
首先，需要安装LangChain及其相关依赖。可以使用以下命令安装：
pip install langchain langchain-openai langchain-chroma
2. 数据准备
文档加载
收集与特定领域相关的文档，例如常见问题及其答案。可以使用LangChain提供的文档加载器来加载数据。
from langchain_community.document_loaders import WebBaseLoader
# 加载网页数据
loader = WebBaseLoader("https://python.langchain.com/docs/introduction/")
raw_documents = loader.load()
文档分割
将加载的文档分割成更小的部分，以提高检索效率。
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
all_splits = text_splitter.split_documents(raw_documents)
3. 向量存储
嵌入向量生成
对每个文档生成嵌入向量，并存储在向量数据库中。
from langchain_community.vectorstores import Chroma
vectorstore = Chroma.from_documents(documents=all_splits, collection_name="rag-chroma")
retriever = vectorstore.as_retriever()
4. 构建RAG链
定义提示模板
创建一个提示模板，用于生成回答。
from langchain_core.prompts import ChatPromptTemplate
template = """Answer the question based only on the following context:
{context}
Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
初始化语言模型
选择一个合适的语言模型，例如OpenAI的GPT系列。国内用DeepSeek或ChatGLM的模型也可。
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-3.5-turbo")
构建RAG链
将检索器、提示和模型结合起来，形成一个完整的处理链。
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
chain = (
RunnableParallel({"context": retriever, "question": RunnablePassthrough()})
| prompt
| model
| StrOutputParser()
)
5. 用户交互
接收用户输入的问题，并通过RAG链获取答案。
query = input("Your question: ")
result = chain.invoke(query)
print("Answer:", result)
6. 反馈与优化
上线后，收集用户反馈并根据反馈持续优化模型性能。例如，可以定期更新知识库、调整模型参数或优化检索策略等。
通过以上步骤，你可以利用LangChain框架快速搭建起自己的RAG问答系统，并根据实际业务需求进行定制和优化。这种系统能够有效地结合检索和生成能力，为用户提供准确、相关的答案。
LangChain 的不足
LangChain虽然流行，但AI应用开发也要看具体情况。它也有一些让人诟病的地方。包括：
过度抽象：高度抽象化可能导致理解和调试困难，特别是在复杂需求下。 学习曲线陡峭：初学者上手较难，需要时间掌握框架的工作机制。 性能开销：频繁调用 LLM API 时，可能引入不必要的性能损失。 灵活性不足：对某些特定功能的支持有限，可能限制开发者的实现能力。 调试困难：内部实现高度封装，追踪错误源头变得复杂。
它可能不适合以下场景：
简单应用：对于简单文本处理，直接使用 LLM API 更为高效。 高性能要求：在需要低延迟的应用中，LangChain 可能导致性能损失。 快速原型开发：过度抽象可能增加开发和维护成本。 复杂业务逻辑：需要更多控制权和灵活性的场景不适合使用 LangChain。
还有，当前Agent， 工作流的开发框架也很多。AI应用视具体情况，选择合适的框架即可。
就酱，觉得有用的话，欢迎点赞点个“在看”。也欢迎加我好友, 交流, 围观, 学习。
