LangChain从入门到精通

全面介绍LangChain的核心概念、基础组件和实战应用，帮助你构建强大的AI应用

AI Python 教程

#LangChain #AI #Python #大语言模型 #ChatGPT #应用开发

LangChain 是一个强大的框架，专门用于开发由语言模型驱动的应用程序。本文将从基础开始，逐步深入，帮助你全面掌握 LangChain 的使用。

什么是 LangChain？

LangChain 是一个用于构建 LLM（大语言模型）应用的框架，它提供了以下核心优势：

模块化设计: 提供了可重用的组件，便于构建复杂的 AI 应用
链式处理: 可以将多个组件串联起来，构建复杂的处理流程
灵活集成: 支持多种 LLM 模型和外部工具的集成
场景丰富: 内置多种应用场景的解决方案

快速开始

首先，让我们安装 LangChain 并创建一个简单的应用：

# 安装必要的包
pip install langchain openai

# 基础示例
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 初始化 LLM
llm = OpenAI(temperature=0.7)

# 创建提示模板
prompt = PromptTemplate(
    input_variables=["topic"],
    template="给我讲一个关于{topic}的笑话。"
)

# 创建链
chain = LLMChain(llm=llm, prompt=prompt)

# 运行
result = chain.run(topic="程序员")
print(result)

核心概念

1. Prompts（提示）

Prompts 是与 LLM 交互的基础：

from langchain.prompts import (
    PromptTemplate,
    ChatPromptTemplate,
    SystemMessagePromptTemplate
)

# 基础提示模板
prompt = PromptTemplate(
    input_variables=["product"],
    template="写一个关于{product}的产品描述"
)

# 对话提示模板
system_template = "你是一个专业的{role}"
system_prompt = SystemMessagePromptTemplate.from_template(system_template)
human_template = "{question}"
chat_prompt = ChatPromptTemplate.from_messages([
    system_prompt,
    ("human", human_template)
])

2. Chains（链）

Chains 允许我们将多个组件组合成一个处理流程：

from langchain.chains import SimpleSequentialChain, LLMChain

# 创建两个链
chain1 = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["topic"],
        template="生成一个关于{topic}的标题"
    )
)

chain2 = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["title"],
        template="根据标题'{title}'写一篇短文"
    )
)

# 组合成顺序链
overall_chain = SimpleSequentialChain(
    chains=[chain1, chain2],
    verbose=True
)

# 运行
result = overall_chain.run("人工智能")

3. Memory（记忆）

Memory 组件允许 Chains 保持对话上下文：

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 创建带记忆的对话链
conversation = ConversationChain(
    llm=llm,
    memory=ConversationBufferMemory(),
    verbose=True
)

# 进行对话
conversation.predict(input="你好！")
conversation.predict(input="我们刚才在聊什么？")

高级应用

1. 文档问答系统

构建一个能够回答文档相关问题的系统：

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 加载文档
loader = TextLoader('document.txt')
documents = loader.load()

# 分割文本
text_splitter = CharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
texts = text_splitter.split_documents(documents)

# 创建向量存储
embeddings = OpenAIEmbeddings()
db = Chroma.from_documents(texts, embeddings)

# 创建问答链
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=db.as_retriever()
)

# 提问
query = "文档的主要内容是什么？"
qa_chain.run(query)

2. 代理系统

使用 Agent 来动态决定使用什么工具：

from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType

# 加载工具
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# 初始化代理
agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 运行代理
agent.run("今天的日期是什么？计算 2023 减去今年是多少年？")

3. 自定义工具

创建自定义工具扩展 Agent 的能力：

from langchain.tools import Tool
from langchain.agents import tool

@tool
def get_weather(location: str) -> str:
    """获取指定位置的天气信息"""
    # 实现天气查询逻辑
    return f"{location}的天气晴朗，温度25度"

# 创建工具列表
tools = [
    Tool(
        name="Weather",
        func=get_weather,
        description="获取天气信息"
    )
]

# 使用自定义工具初始化代理
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

最佳实践

1. 提示工程

编写有效的提示模板：

# 使用 Few-shot 学习
few_shot_prompt = PromptTemplate(
    input_variables=["input", "examples"],
    template="""
示例：
{examples}

现在，请处理以下输入：
{input}
"""
)

2. 错误处理

实现健壮的错误处理机制：

from langchain.callbacks import BaseCallbackHandler

class ErrorHandler(BaseCallbackHandler):
    def on_llm_error(self, error: Exception, **kwargs):
        print(f"LLM 错误: {error}")
        # 实现错误处理逻辑

    def on_chain_error(self, error: Exception, **kwargs):
        print(f"Chain 错误: {error}")
        # 实现错误处理逻辑

3. 性能优化

优化 LangChain 应用的性能：

# 使用缓存
from langchain.cache import InMemoryCache
import langchain

langchain.llm_cache = InMemoryCache()

# 批量处理
async def batch_process(queries):
    tasks = [chain.arun(query) for query in queries]
    return await asyncio.gather(*tasks)

实际应用场景

1. 智能客服系统

from langchain.chains import ConversationalRetrievalChain

def create_customer_service():
    # 加载知识库
    docs = load_knowledge_base()
    
    # 创建向量存储
    vectorstore = Chroma.from_documents(docs, embeddings)
    
    # 创建对话链
    chain = ConversationalRetrievalChain.from_llm(
        llm,
        vectorstore.as_retriever(),
        memory=ConversationBufferMemory()
    )
    
    return chain

2. 文档摘要生成

from langchain.chains.summarize import load_summarize_chain

def generate_summary(document):
    # 加载文档
    docs = text_splitter.split_documents([document])
    
    # 创建摘要链
    chain = load_summarize_chain(llm, chain_type="map_reduce")
    
    # 生成摘要
    summary = chain.run(docs)
    return summary

结语

LangChain 是一个强大而灵活的框架，它极大地简化了 AI 应用的开发过程。通过本文的学习，你应该已经掌握了：

LangChain 的基础概念和核心组件
如何构建各种类型的 AI 应用
高级特性的使用方法
实际应用场景的实现方案

随着 AI 技术的不断发展，LangChain 也在持续进化，建议定期关注官方文档以了解最新特性和最佳实践。

记住，构建 AI 应用不仅需要了解技术细节，还需要考虑实际应用场景和用户需求。希望这篇教程能够帮助你在 AI 应用开发的道路上走得更远。

X-hub