核心特点

1. 模块化设计
   • 组件化架构：将 LLM 应用拆分为可复用的模块（如 Prompt 模板、链、代理、记忆等）。
   • 灵活组合：通过简单的接口将不同组件连接，快速构建复杂系统。
2. 多 LLM 支持
   • 兼容 OpenAI、Hugging Face、Cohere、Anthropic 等主流 LLM 提供商。
   • 支持本地部署的模型（如 Llama、Mistral）。
3. 数据连接能力
   • 向量存储：与 Chroma、Pinecone、Weaviate 等向量数据库集成，实现语义搜索。
   • 数据加载：支持从 PDF、网页、CSV、数据库等多种来源加载和处理数据。
4. 记忆与状态管理
   • 内置会话记忆机制，支持短期和长期记忆存储。
   • 实现多轮对话的上下文理解和连贯性。
5. 推理链与代理
   • Chain：将多个 LLM 调用或其他操作串联，形成处理流程。
   • Agent：根据用户输入动态调用外部工具（如搜索引擎、计算器）。

基本概念

1. Prompt 模板
   预定义的提示词结构，支持变量注入，提高 LLM 输出的可控性。
   python

   运行

   from langchain.prompts import PromptTemplate
   
   prompt = PromptTemplate(
       input_variables=["product"],
       template="为 {product} 写一句广告语。",
   )
   
2. Chain
   按顺序执行多个操作的逻辑链，例如：
   python

   运行

   from langchain.chains import LLMChain
   
   chain = LLMChain(llm=llm, prompt=prompt)
   chain.run(product="智能手表")
   
3. Agent
   允许 LLM 根据需求自主调用外部工具：
   python

   运行

   from langchain.agents import load_tools, initialize_agent
   
   tools = load_tools(["serpapi", "llm-math"], llm=llm)
   agent = initialize_agent(tools, llm, agent="zero-shot-react-description")
   agent.run("当前比特币价格是多少？")
   
4. 向量存储与检索
   将文本转换为向量并存储，支持语义相似度检索：
   python

   运行

   from langchain.embeddings import OpenAIEmbeddings
   from langchain.vectorstores import Chroma
   
   embeddings = OpenAIEmbeddings()
   vectorstore = Chroma.from_documents(documents, embeddings)
   results = vectorstore.similarity_search(query)
   

典型应用场景

1. 知识库问答系统
   • 从文档（如公司手册、产品文档）中提取信息，回答用户问题。
   • 示例：基于企业知识库的智能客服。
2. 多轮对话助手
   • 支持上下文理解的聊天机器人，如虚拟助手。
   • 可集成工具（如日历、邮件）扩展功能。
3. 数据增强生成
   • 将 LLM 与数据库结合，生成基于实时数据的内容。
   • 示例：根据销售数据自动生成报告。
4. 代码生成与解释
   • 辅助编程，如生成代码片段、解释复杂代码。
   • 支持多语言（Python、JavaScript 等）。

快速上手

1. 安装依赖
   bash

   pip install langchain openai chromadb tiktoken
   
2. 简单示例：文档问答
   python

   运行

   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
   from langchain.llms import OpenAI
   
   # 加载文档
   loader = TextLoader("example.txt")
   documents = loader.load()
   
   # 分割文本
   text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
   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 = RetrievalQA.from_chain_type(
       llm=OpenAI(),
       chain_type="stuff",
       retriever=db.as_retriever()
   )
   
   # 提问
   query = "文档中提到的主要技术是什么？"
   answer = qa.run(query)
   print(answer)
   

生态系统与集成

• 工具库：支持与 SerpAPI（搜索引擎）、Wolfram Alpha（计算器）、Zapier（自动化）等集成。
• 向量数据库：Chroma、Pinecone、Weaviate、Qdrant 等。
• 框架扩展：LangChain.js（JavaScript 版本）、LangServe（API 部署）。
• UI 组件：与 Streamlit、Gradio 等结合构建交互式界面。

优势与挑战

• 优势：
  • 开发效率高：模块化设计减少重复开发。
  • 灵活性强：支持多种 LLM 和数据源，适应不同场景。
  • 社区活跃：GitHub 星标超过 70k，文档完善，示例丰富。
• 挑战：
  • 复杂性管理：随着组件增多，系统调试和维护难度增加。
  • 性能优化：多步骤调用 LLM 可能导致响应延迟。
  • 成本控制：频繁调用外部 LLM API 可能产生较高费用。

总结