LangChain 简介
LangChain 是一个用于构建大语音模型(LLM)应用的 Python 框架。
LangChain 提供统一的接口来连接各种AI模型，并且支持构建能够自动调用工具、检索知识、记住上下文的智能Agent
LangChain 是什么
简单来说，LangChain解决了一个核心问题：让大语言模型能够何外部世界交互。
原生的 LLM 智能根据训练数据生成文本。但实际应用中，为什么需要 AI 能够查询数据库、调用API、搜索文档、发送邮件等功能。
LangChain 提供了一套标准化的组件来串联这些功能
LangChain 的组件
- Models（模型）
- 作用：连接大语言模型
- 功能：
- 统一模型接口
- 支持多模型切换
- 调用模型
- 用途：
- 文本生成
- 问答
- Prompts（提示词模板）
- 作用：管理提示词模板
- 功能：
- Prompt 参数化
- 动态变量替换
- 模板复用
- 用途：
- AI对话
- 结构化呼出
- Document Loader（文档加载）
- 作用：读取外部文档数据
- 功能：
- 加载PDF等文件
- 读取网页、数据库
- 统一文档格式
- 用途：
- 知识库
- Rag
- 文档问答
- Text Splitter（文本切分）
- 作用：拆分长文本
- 功能：
- 文本Chunk切分
- 控制Token长度
- 优化向量检索
- 用途：
- Rag
- 向量数据库
- 长文本处理
- Memory（记忆）
- 作用：实现上下文记忆
- 功能：
- 保留聊天历史
- 长期记忆
- 对话状态管理
- 用途：
- 聊天机器人
- AI助手
- Agent
- Retriever（检索器）
- 作用：检索相关内容
- 功能：
- 向量搜索
- 语义检索
- Rag数据召回
- 用途：
- 企业知识库
- AI搜索
- 文档问答
- Tools（工具）
- 作用：调用外部工具何API
- 功能：
- 搜索互联网
- 数据库查询
- 执行代码
- 用途：
- AI Agent
- 自动化任务
- 数据分析
- Output Parser（输出解析器）
- 作用：解析模型输出结果
- 功能：
- 结构化输出
- JSON 解析
- 格式校验
- 用途：
- API返回
- 自动化系统
- 数据处理
- Chains（链）
- 作用：组合多个组件形成工作流
- 功能：
- 多步骤执行
- 流程编排
- 组件串联
- 用途：
- 复杂AI应用
- RAG 工作流
- Agent 系统
从技术角度看，LangChain 是一个模块化的 LLM 应用开发框架，它包含三个层次：
- 核心抽象层
- 说明：定义模型、工具、消息等基础接口
- 包名：langchain-core
- 用户接口层
- 说明：提供 init_chat model、 create_agent 等高阶 API
- 包名：langchain
- 集成层
- 说明：：连接OpenAI、Anthropic等三方服务
- 包名：langchain-openai等
LangChain 能做什么
智能聊天机器人
具备多轮对话记忆，能调用外部工具（查天气、发邮件等）的聊天助手
RAG 知识库问答
将私有文档向量化存储，让模型能够给予这些文档回答问题，附带引用来源
Agent 自动化助手
m哦行自主规划任务步骤，按需调用不同的工具，完成复杂的多步操作
数据提取与分析
从非结构化文本中提取结构化信息（如从扫描文件中提取关键字段），或让模型生成数据分析结论
