LangChain（篇一：基础入门篇）
#langchain #ai/agent #2024/09/08
目录
1. 简介
LangChain 是一个基于大型语言模型（LLM）开发应用程序的框架。
- 提供了从开发到部署的完整生命周期支持，包括模型 I/O、聊天、函数回调、消息类型、输出解析等核心模块。
- 它通过开源库和第三方集成简化了应用程序的构建和生产化过程。
- LangChain 还提供了强大的工具和组件，如 LangSmith、LangGraph 和 LangServe，用于调试、测试、评估和部署应用程序
2. LangChain 的整体架构图
3. 核心模块和工具简介
- 模型 I/O（Model I/O）：
- 功能：处理与语言模型的输入和输出。
- 组件：
- 提示模板（Prompt templates）：用于结构化输入到语言模型。
- 语言模型（Language models）：包括对各种 LLM 提供商的集成。
- 输出解析器（Output parsers）：将模型输出转换为结构化格式。
- 数据连接（Data Connection）：
- 功能：管理和操作应用程序使用的数据
- 组件：
- 文档加载器（Document loaders）：从各种源加载文档。
- 文档转换器（Document transformers）：处理和转换文档。
- 文本嵌入模型（Text embedding models）：将文本转换为向量表示。
- 向量存储（Vector stores）：存储和检索向量化文本。
- 记忆（Memory）：
- 功能：管理对话历史和上下文。
- 类型：
- 对话缓冲记忆（Conversation buffer memory）
- 摘要记忆（Summary memory）
- 长期记忆（Long-term memory）
- 链（Chains）：
- 功能：组合多个组件以完成复杂任务。
- 示例：
- LLM链（LLM Chain）：将提示模板与语言模型结合。
- 检索QA链（Retrieval QA Chain）：结合检索和问答功能。
- 代理（Agents）：
- 功能：实现动态决策和工具使用。
- 类型：
- ReAct 代理：结合推理和行动。
- 自我提问代理（Self-ask agent）：能够提出和回答自己的问题。
- 计划和执行代理（Plan and execute agent）：制定计划并执行任务。
- 回调（Callbacks）：
- 功能：提供钩子以在链和代理执行期间运行自定义代码。
- 用途：日志记录、监控、调试等。
- 索引（Indexes）：
- 功能：组织和检索大量文本数据。
- 类型：
- 向量索引（Vector index）
- 树索引（Tree index）
- 检索器（Retrievers）：
- 功能：从各种数据源检索相关信息。
- 示例：向量存储检索器、网络检索器。
- LangChain 表达式语言（LCEL）：
- 功能：提供声明式方法来组合 LangChain 组件。
- 优势：简化复杂应用的构建，提高可读性和可维护性。
- 工具和集成：
- 功能：提供与各种外部服务和 API 的集成。
- 示例：搜索引擎、计算器、天气 API 等。
- LangSmith：
- 功能：用于调试、测试、评估和监控 LLM 应用。
- 特点：提供可视化界面、性能分析、版本控制等。
- LangServe：
- 功能：将 LangChain 应用部署为 REST API。
- 优势：简化部署过程，提供标准化的接口。
- LangGraph：
- 功能：用于构建和管理复杂的多代理系统。
- 用途：创建更复杂、交互式的 AI 应用。
这些核心模块和工具共同构成了 LangChain 的强大生态系统，使开发者能够快速构建、测试和部署复杂的 LLM 应用。它们提供了从数据处理、模型交互到应用部署的全面解决方案，大大简化了 AI 应用开发的复杂性。
通过这些模块和工具，开发者可以：
- 轻松管理与 LLM 的交互
- 高效处理和检索大量数据
- 构建具有记忆和上下文理解能力的应用
- 创建能动态决策和使用工具的智能代理
- 部署和监控生产级 AI 应用
LangChain 的模块化设计允许开发者根据具体需求选择和组合不同的组件，从而构建出灵活且强大的 AI 应用。
4. 开发时的语言选择建议
- 如果你的项目主要涉及数据处理、复杂的 AI 模型集成或后端服务，选择 Python 版本可能更合适。
- 如果你正在构建 Web 应用、需要前端集成或希望在浏览器中运行 LLM 应用，JavaScript 版本可能是更好的选择。
- 对于全栈应用，你甚至可以考虑在后端使用 Python 版本，前端使用 JavaScript 版本，以充分利用两者的优势