跳到主要内容

LangChain 教程

欢迎学习 LangChain！本教程将带你从零开始掌握这一用于构建 LLM 应用的强大开发框架。

什么是 LangChain？​

LangChain 是一个开源框架，专门用于构建基于大语言模型（LLM）的应用程序。它提供了标准化的接口和组件，让你能够轻松地将 LLM 与外部数据源、工具和系统集成。

LangChain 的核心价值​

LangChain 解决了 LLM 应用开发中的核心挑战：

  • 标准化接口：不同模型提供商（OpenAI、Anthropic、Google 等）有各自独特的 API，LangChain 统一了交互方式，让你能够轻松切换模型而无需修改业务逻辑
  • 组件化设计：提供了丰富的组件（LLM、Prompt、Chain、Agent、Memory 等），可以灵活组合
  • 快速构建：通过预置的架构和集成，你可以用很少的代码构建复杂的 AI 应用
  • 生态丰富：支持多种模型、数据源、工具的集成

为什么学习 LangChain？​

对开发者​

  • 提高效率：无需从零开始实现 LLM 交互逻辑
  • 灵活性：既可以用高层 API 快速构建，也可以深入定制
  • 可维护性：标准化的代码结构便于团队协作和维护

应用场景​

  • 智能问答系统：基于私有数据的问答助手
  • AI 代理：能够自主决策和执行任务的智能代理
  • 内容生成：自动撰写文章、代码、邮件等
  • 数据分析：通过对话分析数据并生成报告

LangChain 核心特性​

1. 标准化的模型接口​

LangChain 提供统一的接口来调用各种 LLM，无论是 OpenAI 的 GPT、Anthropic 的 Claude，还是开源模型，都可以无缝切换：

# 切换模型只需更改初始化代码
from langchain.chat_models import init_chat_model

# 使用 OpenAI
model = init_chat_model(model="gpt-4", model_provider="openai")

# 切换到 Anthropic
model = init_chat_model(model="claude-3-sonnet", model_provider="anthropic")

解释：这种设计让你不依赖于特定的模型供应商，可以在不同模型之间灵活切换，根据成本、性能、需求选择最合适的模型。

2. 灵活的 Prompt 工程​

LangChain 提供了强大的 Prompt 模板系统，支持：

  • 变量替换和格式化
  • Few-shot 学习
  • 动态 Prompt 生成
  • 输出解析（JSON、CSV 等结构化格式）

3. Chain（链）系统​

Chain 允许你将多个组件串联起来，形成完整的工作流程：

# 一个典型的 RAG Chain
文档加载 → 文本分割 → 向量化 → 向量检索 → 生成回答

4. Agent（代理）系统​

Agent 是 LangChain 最强大的功能之一，它可以让 LLM 自主决定使用哪些工具来完成复杂任务：

# 创建一个能够使用搜索工具的代理
agent = create_agent(
    model="gpt-4",
    tools=[搜索工具, 计算工具, 文件读取工具]
)
agent.invoke({"messages": ["帮我查一下今天的新闻"]})

解释：与传统程序不同，Agent 不再是按照固定顺序执行，而是由 LLM 根据任务目标自主决定下一步操作。它可以理解用户意图、选择合适的工具、并且能够进行多轮交互。

5. Memory（记忆）系统​

LangChain 提供了多种记忆组件，让 AI 应用能够记住对话历史：

  • 短期记忆：记住当前对话的上下文
  • 长期记忆：跨会话持久化存储用户偏好和历史

6. RAG（检索增强生成）​

RAG 是当前最流行的 LLM 应用架构之一，LangChain 提供了完整的 RAG 支持：

  • 文档加载和预处理
  • 文本分割
  • 向量嵌入
  • 向量检索
  • 生成回答

LangChain vs Spring AI​

LangChain（Python/TypeScript）和 Spring AI（Java）是两个不同领域的主流框架：

特性LangChainSpring AI
语言Python, TypeScriptJava
生态系统Python AI 生态Java 企业生态
集成丰富度大量 AI 集成Spring 生态集成
适用场景快速原型、AI 应用企业级应用、微服务
学习曲线较平缓需了解 Spring

如果你是 Java 开发者，建议学习 Spring AI；如果你是 Python 开发者或专注于 AI 应用，LangChain 是更好的选择。

教程目录​

基础入门​

核心概念​

进阶应用​

工程实践​

知识速查​

学习建议​

1. 前置知识​

学习 LangChain 前需要掌握：

  • Python 基础：熟悉 Python 语法和面向对象编程
  • 了解 LLM：知道什么是大语言模型及其基本工作原理
  • API 调用：会使用 RESTful API（了解 HTTP 请求即可）

2. 学习路径​

基础阶段          核心阶段          进阶阶段          实战阶段
    │               │               │               │
    ▼               ▼               ▼               ▼
环境配置  →  LLM 调用    →  Chain 开发    →  项目实战
入门      →  Prompt 设计  →  Agent 开发    →  RAG 系统
          →  Memory 管理  →  工具集成      →  部署上线

3. 实践建议​

  • 从官方示例开始：先跑通官方示例，理解每个组件的作用
  • 动手改造：不要只复制代码，尝试修改参数、组合不同组件
  • 阅读源码：理解 LangChain 的设计思想
  • 关注更新：LangChain 迭代较快，保持学习

4. 版本说明​

本教程基于 LangChain v1 版本编写。需要注意的是：

  • v1 版本是预发布版本，API 可能会有变化
  • 生产环境建议使用最新的稳定版本
  • API 使用方式可能与 v0.x 有较大差异

开发工具推荐​

1. Python 环境​

# 推荐使用 conda 或 venv 创建虚拟环境
conda create -n langchain python=3.10
conda activate langchain

# 安装 LangChain
pip install langchain

2. IDE 推荐​

  • VS Code（推荐）：配合 Jupyter 插件，交互式开发体验好
  • PyCharm：功能强大的 Python IDE
  • Jupyter Notebook：适合学习和实验

3. 模型提供商​

LangChain 支持多种模型提供商：

提供商API 名称说明
OpenAIopenaiGPT-4o, GPT-4o-mini
AnthropicanthropicClaude 3.5 Sonnet
Googlegoogle_genaiGemini 1.5 Pro
AWS Bedrockbedrock_converseClaude, Titan 等
Ollamaollama本地开源模型

参考资源​

官方资源​

学习资源​

API 参考​

准备好了吗？点击下一章开始你的 LangChain 学习之旅！