LangChain 是目前最流行的 AI 应用开发框架之一它让开发者能够快速构建基于大语言模型的智能代理和应用程序。无论你是想开发聊天机器人、文档分析工具还是复杂的多步骤任务自动化系统LangChain 都提供了完整的工具链和组件库。这个框架最大的价值在于它的模块化设计——你可以像搭积木一样组合不同的组件比如语言模型、记忆存储、工具调用和外部数据连接。更重要的是LangChain 生态中还有 LangSmith 这样的工程平台能够帮助开发者观察、评估和部署可靠的 AI 代理。本文将从零开始带你掌握 LangChain 的核心概念和实战技能。我们会重点讲解环境搭建、基础组件使用、Agent 开发、与 LangSmith 集成等关键内容确保你能在本地环境中跑通完整的示例并理解如何应用到实际项目中。1. LangChain 核心能力速览能力项说明框架类型AI 应用开发框架和平台开源生态LangChain快速入门、LangGraph可控代理、Deep Agents长任务代理核心功能智能代理构建、工具调用、记忆管理、外部数据连接、多步骤推理硬件要求依赖所使用的语言模型本地部署需考虑显存API 调用仅需网络部署方式Python/TypeScript/Go/Java SDK、LangSmith 云平台、本地服务器接口能力完整的 REST API、流式响应、多轮对话管理批量任务支持异步处理、任务队列、分布式代理适合场景企业级 AI 应用、聊天机器人、文档分析、自动化工作流2. LangChain 的适用场景与边界LangChain 特别适合需要结合大语言模型与外部工具或数据的应用场景。比如客服机器人需要查询知识库、数据分析工具需要执行 SQL 查询、自动化助手需要操作软件 API这些都可以通过 LangChain 高效实现。典型使用场景企业级聊天机器人能够访问内部文档和系统智能文档分析处理 PDF、Word、Excel 等格式多步骤任务自动化如数据收集、处理、报告生成代码生成和执行结合安全沙箱环境实时信息获取连接网络搜索和 API 服务技术边界提醒LangChain 本身不提供语言模型需要接入 OpenAI、Azure、本地模型等复杂代理可能需要 LangSmith 平台进行调试和监控生产环境部署需要考虑性能、安全性和成本平衡涉及用户数据的应用必须遵守隐私保护法规3. 环境准备与依赖安装开始学习 LangChain 前需要准备基本的开发环境。推荐使用 Python 3.8 版本这是 LangChain 主要支持的开发语言。3.1 基础环境检查首先确认你的开发环境是否符合要求# 检查 Python 版本 python --version # 应该显示 3.8、3.9、3.10 或更高版本 # 检查 pip 是否可用 pip --version3.2 创建虚拟环境为避免依赖冲突建议为 LangChain 项目创建独立的虚拟环境# 创建虚拟环境 python -m venv langchain_env # 激活虚拟环境 # Windows langchain_env\Scripts\activate # Linux/Mac source langchain_env/bin/activate3.3 安装核心依赖安装 LangChain 核心包及常用扩展# 安装 LangChain 核心包 pip install langchain # 安装常用的语言模型接口 pip install openai anthropic # 安装文档处理工具 pip install langchain-community pdfplumber python-docx # 安装向量数据库支持可选 pip install chromadb faiss-cpu如果你计划使用本地模型还需要安装相应的模型运行库如 Ollama、Transformers 等。4. 第一个 LangChain 应用实战让我们从最简单的例子开始创建一个能够进行基础对话的 AI 代理。4.1 设置 API 密钥首先配置语言模型的访问权限。以 OpenAI 为例import os from langchain.llms import OpenAI # 设置 API 密钥实际使用时替换为你的密钥 os.environ[OPENAI_API_KEY] your-openai-api-key # 创建语言模型实例 llm OpenAI(temperature0.7, max_tokens500)4.2 基础对话测试测试语言模型的基本功能# 简单提示词测试 response llm.invoke(请用中文介绍一下人工智能的发展历史) print(response)4.3 创建对话链LangChain 的核心概念是 Chain链它将多个组件连接起来完成复杂任务from langchain.prompts import PromptTemplate from langchain.chains import LLMChain # 创建提示词模板 prompt_template PromptTemplate( input_variables[topic], template请用中文详细解释一下{topic}包括基本概念、应用场景和发展趋势。 ) # 创建对话链 conversation_chain LLMChain(llmllm, promptprompt_template) # 使用对话链 result conversation_chain.invoke({topic: 机器学习}) print(result[text])5. LangChain 核心组件详解要真正掌握 LangChain需要理解其六大核心组件的工作原理和使用方法。5.1 模型ModelsLangChain 支持多种语言模型接口让你可以灵活切换不同的模型提供商from langchain.chat_models import ChatOpenAI from langchain.schema import HumanMessage # 使用聊天模型推荐 chat_model ChatOpenAI(modelgpt-3.5-turbo, temperature0.7) # 聊天式交互 messages [ HumanMessage(content请帮我写一个Python函数来计算斐波那契数列) ] response chat_model.invoke(messages) print(response.content)5.2 提示词Prompts提示词模板让对话管理更加规范化和可复用from langchain.prompts import ChatPromptTemplate # 创建复杂的提示词模板 template ChatPromptTemplate.from_messages([ (system, 你是一个专业的{domain}专家回答要准确且易于理解。), (human, 请解释一下{concept}的工作原理。) ]) # 填充模板 formatted_prompt template.format_messages( domain计算机科学, concept神经网络 ) response chat_model.invoke(formatted_prompt) print(response.content)5.3 记忆Memory记忆组件让 AI 代理能够记住对话历史实现多轮对话from langchain.memory import ConversationBufferMemory # 创建记忆存储 memory ConversationBufferMemory(return_messagesTrue) # 在链中使用记忆 from langchain.chains import ConversationChain conversation ConversationChain( llmchat_model, memorymemory, verboseTrue ) # 多轮对话 result1 conversation.invoke(什么是机器学习) print(result1[response]) result2 conversation.invoke(它和深度学习有什么区别) print(result2[response]) # 这里会参考之前的对话上下文5.4 索引Indexes索引组件让 AI 能够访问外部知识库和文档from langchain.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma # 加载文档 loader TextLoader(example.txt) documents loader.load() # 分割文本 text_splitter CharacterTextSplitter(chunk_size1000, chunk_overlap0) texts text_splitter.split_documents(documents) # 创建向量数据库 embeddings OpenAIEmbeddings() vectorstore Chroma.from_documents(texts, embeddings) # 检索相关信息 retriever vectorstore.as_retriever() docs retriever.get_relevant_documents(查询相关问题)5.5 链Chains链是 LangChain 的核心将多个组件连接成工作流from langchain.chains import RetrievalQA # 创建检索增强生成链 qa_chain RetrievalQA.from_chain_type( llmchat_model, chain_typestuff, retrieverretriever ) # 基于文档的问答 result qa_chain.invoke({query: 文档中提到了哪些重要概念}) print(result[result])5.6 代理Agents代理是 LangChain 最强大的功能能够让 AI 自主使用工具完成任务from langchain.agents import initialize_agent, Tool from langchain.utilities import WikipediaAPIWrapper # 创建工具 wikipedia WikipediaAPIWrapper() tools [ Tool( nameWikipedia, funcwikipedia.run, description用于查询百科知识 ) ] # 创建代理 agent initialize_agent( tools, chat_model, agentzero-shot-react-description, verboseTrue ) # 使用代理完成任务 result agent.invoke(请查询爱因斯坦的生平事迹并总结主要成就) print(result[output])6. 高级功能自定义工具和复杂代理当基础功能无法满足需求时你可以创建自定义工具和复杂代理逻辑。6.1 创建自定义工具from langchain.tools import BaseTool from typing import Type class CalculatorTool(BaseTool): name Calculator description 用于进行数学计算 def _run(self, expression: str) - str: 执行数学计算 try: result eval(expression) return f计算结果: {expression} {result} except Exception as e: return f计算错误: {str(e)} def _arun(self, expression: str): raise NotImplementedError(异步执行暂不支持) # 使用自定义工具 custom_tools [CalculatorTool()] agent_with_calculator initialize_agent( custom_tools, chat_model, agentzero-shot-react-description, verboseTrue ) result agent_with_calculator.invoke(计算一下 125 * 38 492 等于多少)6.2 使用 LangGraph 构建复杂工作流对于需要精确控制流程的复杂应用可以使用 LangGraphfrom langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator class AgentState(TypedDict): question: str analysis: str final_answer: str # 创建图工作流 def analyze_question(state: AgentState): return {analysis: f正在分析问题: {state[question]}} def generate_answer(state: AgentState): question state[question] # 这里可以添加复杂的处理逻辑 answer f对于问题{question}的详细回答... return {final_answer: answer} # 构建图 workflow StateGraph(AgentState) workflow.add_node(analyzer, analyze_question) workflow.add_node(answer_generator, generate_answer) workflow.set_entry_point(analyzer) workflow.add_edge(analyzer, answer_generator) workflow.add_edge(answer_generator, END) # 编译并运行图 app workflow.compile() result app.invoke({question: 如何学习人工智能})7. 与 LangSmith 集成实现可观测性LangSmith 是 LangChain 的官方平台提供代理的可观测性、评估和部署能力。7.1 设置 LangSmithimport os from langsmith import Client # 设置 LangSmith API 密钥 os.environ[LANGCHAIN_API_KEY] your-langsmith-api-key os.environ[LANGCHAIN_TRACING_V2] true os.environ[LANGCHAIN_PROJECT] my-langchain-project client Client()7.2 跟踪和监控代理运行启用跟踪后所有 LangChain 调用都会自动记录到 LangSmith 平台# 启用跟踪后运行的代码会自动记录 result agent.invoke(请查询最近的人工智能技术进展)在 LangSmith 平台你可以查看详细的执行轨迹和时间线分析每个步骤的输入输出识别性能瓶颈和错误比较不同提示词的效果7.3 评估和优化代理使用 LangSmith 的评估功能来持续改进你的代理from langsmith.evaluation import evaluate # 定义评估函数 def accuracy_evaluator(run, example): # 实现自定义评估逻辑 return {score: 0.95, key: accuracy} # 运行评估 dataset_name my-test-dataset evaluate( agent, datadataset_name, evaluators[accuracy_evaluator], metadata{version: 1.0} )8. 实战项目构建智能文档问答系统让我们综合运用所学知识构建一个完整的文档问答系统。8.1 项目架构设计文档问答系统工作流 1. 文档加载 → 2. 文本分割 → 3. 向量化存储 → 4. 语义检索 → 5. 生成回答8.2 完整代码实现import os from langchain.document_loaders import PyPDFLoader, Docx2txtLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chat_models import ChatOpenAI from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate class DocumentQASystem: def __init__(self, model_namegpt-3.5-turbo): self.embeddings OpenAIEmbeddings() self.llm ChatOpenAI(modelmodel_name, temperature0) self.vectorstore None def load_documents(self, file_paths): 加载多种格式的文档 documents [] for file_path in file_paths: if file_path.endswith(.pdf): loader PyPDFLoader(file_path) elif file_path.endswith(.docx): loader Docx2txtLoader(file_path) else: continue documents.extend(loader.load()) return documents def process_documents(self, documents): 处理文档并创建向量数据库 # 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200 ) texts text_splitter.split_documents(documents) # 创建向量存储 self.vectorstore Chroma.from_documents( texts, self.embeddings, persist_directory./chroma_db ) def create_qa_chain(self): 创建问答链 # 自定义提示词模板 prompt_template 基于以下上下文信息请回答问题。如果上下文信息不足以回答问题请如实告知。 上下文: {context} 问题: {question} 请提供详细且准确的回答: PROMPT PromptTemplate( templateprompt_template, input_variables[context, question] ) # 创建检索式问答链 qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, retrieverself.vectorstore.as_retriever(search_kwargs{k: 3}), chain_type_kwargs{prompt: PROMPT}, return_source_documentsTrue ) return qa_chain def ask_question(self, question): 提问并获取回答 if not self.vectorstore: raise ValueError(请先加载和处理文档) qa_chain self.create_qa_chain() result qa_chain.invoke({query: question}) return { answer: result[result], sources: result[source_documents] } # 使用示例 def main(): # 初始化系统 qa_system DocumentQASystem() # 加载文档假设有这些文件 documents qa_system.load_documents([document1.pdf, document2.docx]) # 处理文档 qa_system.process_documents(documents) # 提问 while True: question input(\n请输入问题输入退出结束: ) if question.lower() 退出: break result qa_system.ask_question(question) print(f\n回答: {result[answer]}) print(f\n参考来源: {len(result[sources])} 个相关文档片段) if __name__ __main__: main()8.3 系统优化建议性能优化使用异步处理提高并发能力准确性提升调整检索参数和提示词模板可扩展性支持更多文档格式和数据库后端用户体验添加流式输出和对话历史管理9. 部署和生产环境考虑当开发完成后需要考虑如何将 LangChain 应用部署到生产环境。9.1 使用 FastAPI 创建 Web 服务from fastapi import FastAPI, HTTPException from pydantic import BaseModel import uvicorn app FastAPI(titleLangChain API 服务) class QuestionRequest(BaseModel): question: str context: str None class QuestionResponse(BaseModel): answer: str sources: list [] app.post(/ask, response_modelQuestionResponse) async def ask_question(request: QuestionRequest): try: # 这里集成之前的问答系统 result qa_system.ask_question(request.question) return QuestionResponse( answerresult[answer], sourcesresult[sources] ) except Exception as e: raise HTTPException(status_code500, detailstr(e)) if __name__ __main__: uvicorn.run(app, host0.0.0.0, port8000)9.2 环境配置管理使用配置文件管理不同环境的参数# config.py import os from dataclasses import dataclass dataclass class Config: openai_api_key: str os.getenv(OPENAI_API_KEY) model_name: str os.getenv(MODEL_NAME, gpt-3.5-turbo) temperature: float float(os.getenv(TEMPERATURE, 0.7)) max_tokens: int int(os.getenv(MAX_TOKENS, 1000)) # 使用配置 config Config()10. 常见问题与解决方案在实际使用 LangChain 过程中可能会遇到各种问题。这里总结一些常见问题的解决方法。10.1 安装和依赖问题问题安装 LangChain 时出现版本冲突解决方案 1. 使用虚拟环境隔离项目 2. 精确指定版本pip install langchain0.1.0 3. 查看错误信息逐个解决依赖冲突问题导入模块时出现 ModuleNotFoundError# 常见的导入问题解决方案 try: from langchain.llms import OpenAI except ImportError: # 尝试安装特定版本 # pip install langchain[openai] pass10.2 API 和网络问题问题API 调用超时或失败# 添加重试机制 from tenacity import retry, stop_after_attempt, wait_exponential retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def safe_api_call(question): return agent.invoke(question)问题令牌限制错误# 监控令牌使用 from langchain.callbacks import get_openai_callback with get_openai_callback() as cb: result agent.invoke(question) print(f本次调用消耗令牌: {cb.total_tokens})10.3 性能和优化问题问题响应速度慢优化方案 1. 使用更小的模型或调整参数 2. 实现缓存机制 3. 使用异步处理 4. 优化提示词长度问题记忆管理导致内存泄漏# 定期清理记忆 from langchain.memory import ConversationSummaryMemory # 使用摘要记忆减少内存占用 memory ConversationSummaryMemory(llmchat_model)11. 学习路径和进阶资源要真正掌握 LangChain建议按照以下路径系统学习11.1 初学者阶段1-2周掌握基本概念模型、提示词、链、记忆完成简单对话应用和文档问答系统理解 LangChain 的设计哲学11.2 进阶阶段2-4周深入学习代理和工具的使用掌握向量数据库和检索增强生成学习 LangSmith 平台的使用11.3 专家阶段1-2月源码阅读和自定义组件开发复杂工作流设计和优化生产环境部署和监控11.4 推荐学习资源官方文档LangChain 官方文档是最权威的学习资料GitHub 仓库阅读源码和示例代码社区论坛参与 LangChain 社区讨论实战项目通过实际项目加深理解学习 LangChain 最重要的是动手实践。从简单的例子开始逐步构建复杂的应用在实际项目中遇到问题并解决问题这样才能真正掌握这个强大的框架。无论你是想要进入 AI 应用开发领域还是希望提升现有项目的智能化水平LangChain 都是一个值得投入时间学习的重要技术。随着 AI 技术的不断发展掌握 LangChain 这样的工具将会成为开发者的重要竞争力。
LangChain 是目前最流行的 AI 应用开发框架之一它让开发者能够快速构建基于大语言模型的智能代理和应用程序。无论你是想开发聊天机器人、文档分析工具还是复杂的多步骤任务自动化系统LangChain 都提供了完整的工具链和组件库。这个框架最大的价值在于它的模块化设计——你可以像搭积木一样组合不同的组件比如语言模型、记忆存储、工具调用和外部数据连接。更重要的是LangChain 生态中还有 LangSmith 这样的工程平台能够帮助开发者观察、评估和部署可靠的 AI 代理。本文将从零开始带你掌握 LangChain 的核心概念和实战技能。我们会重点讲解环境搭建、基础组件使用、Agent 开发、与 LangSmith 集成等关键内容确保你能在本地环境中跑通完整的示例并理解如何应用到实际项目中。1. LangChain 核心能力速览能力项说明框架类型AI 应用开发框架和平台开源生态LangChain快速入门、LangGraph可控代理、Deep Agents长任务代理核心功能智能代理构建、工具调用、记忆管理、外部数据连接、多步骤推理硬件要求依赖所使用的语言模型本地部署需考虑显存API 调用仅需网络部署方式Python/TypeScript/Go/Java SDK、LangSmith 云平台、本地服务器接口能力完整的 REST API、流式响应、多轮对话管理批量任务支持异步处理、任务队列、分布式代理适合场景企业级 AI 应用、聊天机器人、文档分析、自动化工作流2. LangChain 的适用场景与边界LangChain 特别适合需要结合大语言模型与外部工具或数据的应用场景。比如客服机器人需要查询知识库、数据分析工具需要执行 SQL 查询、自动化助手需要操作软件 API这些都可以通过 LangChain 高效实现。典型使用场景企业级聊天机器人能够访问内部文档和系统智能文档分析处理 PDF、Word、Excel 等格式多步骤任务自动化如数据收集、处理、报告生成代码生成和执行结合安全沙箱环境实时信息获取连接网络搜索和 API 服务技术边界提醒LangChain 本身不提供语言模型需要接入 OpenAI、Azure、本地模型等复杂代理可能需要 LangSmith 平台进行调试和监控生产环境部署需要考虑性能、安全性和成本平衡涉及用户数据的应用必须遵守隐私保护法规3. 环境准备与依赖安装开始学习 LangChain 前需要准备基本的开发环境。推荐使用 Python 3.8 版本这是 LangChain 主要支持的开发语言。3.1 基础环境检查首先确认你的开发环境是否符合要求# 检查 Python 版本 python --version # 应该显示 3.8、3.9、3.10 或更高版本 # 检查 pip 是否可用 pip --version3.2 创建虚拟环境为避免依赖冲突建议为 LangChain 项目创建独立的虚拟环境# 创建虚拟环境 python -m venv langchain_env # 激活虚拟环境 # Windows langchain_env\Scripts\activate # Linux/Mac source langchain_env/bin/activate3.3 安装核心依赖安装 LangChain 核心包及常用扩展# 安装 LangChain 核心包 pip install langchain # 安装常用的语言模型接口 pip install openai anthropic # 安装文档处理工具 pip install langchain-community pdfplumber python-docx # 安装向量数据库支持可选 pip install chromadb faiss-cpu如果你计划使用本地模型还需要安装相应的模型运行库如 Ollama、Transformers 等。4. 第一个 LangChain 应用实战让我们从最简单的例子开始创建一个能够进行基础对话的 AI 代理。4.1 设置 API 密钥首先配置语言模型的访问权限。以 OpenAI 为例import os from langchain.llms import OpenAI # 设置 API 密钥实际使用时替换为你的密钥 os.environ[OPENAI_API_KEY] your-openai-api-key # 创建语言模型实例 llm OpenAI(temperature0.7, max_tokens500)4.2 基础对话测试测试语言模型的基本功能# 简单提示词测试 response llm.invoke(请用中文介绍一下人工智能的发展历史) print(response)4.3 创建对话链LangChain 的核心概念是 Chain链它将多个组件连接起来完成复杂任务from langchain.prompts import PromptTemplate from langchain.chains import LLMChain # 创建提示词模板 prompt_template PromptTemplate( input_variables[topic], template请用中文详细解释一下{topic}包括基本概念、应用场景和发展趋势。 ) # 创建对话链 conversation_chain LLMChain(llmllm, promptprompt_template) # 使用对话链 result conversation_chain.invoke({topic: 机器学习}) print(result[text])5. LangChain 核心组件详解要真正掌握 LangChain需要理解其六大核心组件的工作原理和使用方法。5.1 模型ModelsLangChain 支持多种语言模型接口让你可以灵活切换不同的模型提供商from langchain.chat_models import ChatOpenAI from langchain.schema import HumanMessage # 使用聊天模型推荐 chat_model ChatOpenAI(modelgpt-3.5-turbo, temperature0.7) # 聊天式交互 messages [ HumanMessage(content请帮我写一个Python函数来计算斐波那契数列) ] response chat_model.invoke(messages) print(response.content)5.2 提示词Prompts提示词模板让对话管理更加规范化和可复用from langchain.prompts import ChatPromptTemplate # 创建复杂的提示词模板 template ChatPromptTemplate.from_messages([ (system, 你是一个专业的{domain}专家回答要准确且易于理解。), (human, 请解释一下{concept}的工作原理。) ]) # 填充模板 formatted_prompt template.format_messages( domain计算机科学, concept神经网络 ) response chat_model.invoke(formatted_prompt) print(response.content)5.3 记忆Memory记忆组件让 AI 代理能够记住对话历史实现多轮对话from langchain.memory import ConversationBufferMemory # 创建记忆存储 memory ConversationBufferMemory(return_messagesTrue) # 在链中使用记忆 from langchain.chains import ConversationChain conversation ConversationChain( llmchat_model, memorymemory, verboseTrue ) # 多轮对话 result1 conversation.invoke(什么是机器学习) print(result1[response]) result2 conversation.invoke(它和深度学习有什么区别) print(result2[response]) # 这里会参考之前的对话上下文5.4 索引Indexes索引组件让 AI 能够访问外部知识库和文档from langchain.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma # 加载文档 loader TextLoader(example.txt) documents loader.load() # 分割文本 text_splitter CharacterTextSplitter(chunk_size1000, chunk_overlap0) texts text_splitter.split_documents(documents) # 创建向量数据库 embeddings OpenAIEmbeddings() vectorstore Chroma.from_documents(texts, embeddings) # 检索相关信息 retriever vectorstore.as_retriever() docs retriever.get_relevant_documents(查询相关问题)5.5 链Chains链是 LangChain 的核心将多个组件连接成工作流from langchain.chains import RetrievalQA # 创建检索增强生成链 qa_chain RetrievalQA.from_chain_type( llmchat_model, chain_typestuff, retrieverretriever ) # 基于文档的问答 result qa_chain.invoke({query: 文档中提到了哪些重要概念}) print(result[result])5.6 代理Agents代理是 LangChain 最强大的功能能够让 AI 自主使用工具完成任务from langchain.agents import initialize_agent, Tool from langchain.utilities import WikipediaAPIWrapper # 创建工具 wikipedia WikipediaAPIWrapper() tools [ Tool( nameWikipedia, funcwikipedia.run, description用于查询百科知识 ) ] # 创建代理 agent initialize_agent( tools, chat_model, agentzero-shot-react-description, verboseTrue ) # 使用代理完成任务 result agent.invoke(请查询爱因斯坦的生平事迹并总结主要成就) print(result[output])6. 高级功能自定义工具和复杂代理当基础功能无法满足需求时你可以创建自定义工具和复杂代理逻辑。6.1 创建自定义工具from langchain.tools import BaseTool from typing import Type class CalculatorTool(BaseTool): name Calculator description 用于进行数学计算 def _run(self, expression: str) - str: 执行数学计算 try: result eval(expression) return f计算结果: {expression} {result} except Exception as e: return f计算错误: {str(e)} def _arun(self, expression: str): raise NotImplementedError(异步执行暂不支持) # 使用自定义工具 custom_tools [CalculatorTool()] agent_with_calculator initialize_agent( custom_tools, chat_model, agentzero-shot-react-description, verboseTrue ) result agent_with_calculator.invoke(计算一下 125 * 38 492 等于多少)6.2 使用 LangGraph 构建复杂工作流对于需要精确控制流程的复杂应用可以使用 LangGraphfrom langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator class AgentState(TypedDict): question: str analysis: str final_answer: str # 创建图工作流 def analyze_question(state: AgentState): return {analysis: f正在分析问题: {state[question]}} def generate_answer(state: AgentState): question state[question] # 这里可以添加复杂的处理逻辑 answer f对于问题{question}的详细回答... return {final_answer: answer} # 构建图 workflow StateGraph(AgentState) workflow.add_node(analyzer, analyze_question) workflow.add_node(answer_generator, generate_answer) workflow.set_entry_point(analyzer) workflow.add_edge(analyzer, answer_generator) workflow.add_edge(answer_generator, END) # 编译并运行图 app workflow.compile() result app.invoke({question: 如何学习人工智能})7. 与 LangSmith 集成实现可观测性LangSmith 是 LangChain 的官方平台提供代理的可观测性、评估和部署能力。7.1 设置 LangSmithimport os from langsmith import Client # 设置 LangSmith API 密钥 os.environ[LANGCHAIN_API_KEY] your-langsmith-api-key os.environ[LANGCHAIN_TRACING_V2] true os.environ[LANGCHAIN_PROJECT] my-langchain-project client Client()7.2 跟踪和监控代理运行启用跟踪后所有 LangChain 调用都会自动记录到 LangSmith 平台# 启用跟踪后运行的代码会自动记录 result agent.invoke(请查询最近的人工智能技术进展)在 LangSmith 平台你可以查看详细的执行轨迹和时间线分析每个步骤的输入输出识别性能瓶颈和错误比较不同提示词的效果7.3 评估和优化代理使用 LangSmith 的评估功能来持续改进你的代理from langsmith.evaluation import evaluate # 定义评估函数 def accuracy_evaluator(run, example): # 实现自定义评估逻辑 return {score: 0.95, key: accuracy} # 运行评估 dataset_name my-test-dataset evaluate( agent, datadataset_name, evaluators[accuracy_evaluator], metadata{version: 1.0} )8. 实战项目构建智能文档问答系统让我们综合运用所学知识构建一个完整的文档问答系统。8.1 项目架构设计文档问答系统工作流 1. 文档加载 → 2. 文本分割 → 3. 向量化存储 → 4. 语义检索 → 5. 生成回答8.2 完整代码实现import os from langchain.document_loaders import PyPDFLoader, Docx2txtLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chat_models import ChatOpenAI from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate class DocumentQASystem: def __init__(self, model_namegpt-3.5-turbo): self.embeddings OpenAIEmbeddings() self.llm ChatOpenAI(modelmodel_name, temperature0) self.vectorstore None def load_documents(self, file_paths): 加载多种格式的文档 documents [] for file_path in file_paths: if file_path.endswith(.pdf): loader PyPDFLoader(file_path) elif file_path.endswith(.docx): loader Docx2txtLoader(file_path) else: continue documents.extend(loader.load()) return documents def process_documents(self, documents): 处理文档并创建向量数据库 # 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200 ) texts text_splitter.split_documents(documents) # 创建向量存储 self.vectorstore Chroma.from_documents( texts, self.embeddings, persist_directory./chroma_db ) def create_qa_chain(self): 创建问答链 # 自定义提示词模板 prompt_template 基于以下上下文信息请回答问题。如果上下文信息不足以回答问题请如实告知。 上下文: {context} 问题: {question} 请提供详细且准确的回答: PROMPT PromptTemplate( templateprompt_template, input_variables[context, question] ) # 创建检索式问答链 qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, retrieverself.vectorstore.as_retriever(search_kwargs{k: 3}), chain_type_kwargs{prompt: PROMPT}, return_source_documentsTrue ) return qa_chain def ask_question(self, question): 提问并获取回答 if not self.vectorstore: raise ValueError(请先加载和处理文档) qa_chain self.create_qa_chain() result qa_chain.invoke({query: question}) return { answer: result[result], sources: result[source_documents] } # 使用示例 def main(): # 初始化系统 qa_system DocumentQASystem() # 加载文档假设有这些文件 documents qa_system.load_documents([document1.pdf, document2.docx]) # 处理文档 qa_system.process_documents(documents) # 提问 while True: question input(\n请输入问题输入退出结束: ) if question.lower() 退出: break result qa_system.ask_question(question) print(f\n回答: {result[answer]}) print(f\n参考来源: {len(result[sources])} 个相关文档片段) if __name__ __main__: main()8.3 系统优化建议性能优化使用异步处理提高并发能力准确性提升调整检索参数和提示词模板可扩展性支持更多文档格式和数据库后端用户体验添加流式输出和对话历史管理9. 部署和生产环境考虑当开发完成后需要考虑如何将 LangChain 应用部署到生产环境。9.1 使用 FastAPI 创建 Web 服务from fastapi import FastAPI, HTTPException from pydantic import BaseModel import uvicorn app FastAPI(titleLangChain API 服务) class QuestionRequest(BaseModel): question: str context: str None class QuestionResponse(BaseModel): answer: str sources: list [] app.post(/ask, response_modelQuestionResponse) async def ask_question(request: QuestionRequest): try: # 这里集成之前的问答系统 result qa_system.ask_question(request.question) return QuestionResponse( answerresult[answer], sourcesresult[sources] ) except Exception as e: raise HTTPException(status_code500, detailstr(e)) if __name__ __main__: uvicorn.run(app, host0.0.0.0, port8000)9.2 环境配置管理使用配置文件管理不同环境的参数# config.py import os from dataclasses import dataclass dataclass class Config: openai_api_key: str os.getenv(OPENAI_API_KEY) model_name: str os.getenv(MODEL_NAME, gpt-3.5-turbo) temperature: float float(os.getenv(TEMPERATURE, 0.7)) max_tokens: int int(os.getenv(MAX_TOKENS, 1000)) # 使用配置 config Config()10. 常见问题与解决方案在实际使用 LangChain 过程中可能会遇到各种问题。这里总结一些常见问题的解决方法。10.1 安装和依赖问题问题安装 LangChain 时出现版本冲突解决方案 1. 使用虚拟环境隔离项目 2. 精确指定版本pip install langchain0.1.0 3. 查看错误信息逐个解决依赖冲突问题导入模块时出现 ModuleNotFoundError# 常见的导入问题解决方案 try: from langchain.llms import OpenAI except ImportError: # 尝试安装特定版本 # pip install langchain[openai] pass10.2 API 和网络问题问题API 调用超时或失败# 添加重试机制 from tenacity import retry, stop_after_attempt, wait_exponential retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def safe_api_call(question): return agent.invoke(question)问题令牌限制错误# 监控令牌使用 from langchain.callbacks import get_openai_callback with get_openai_callback() as cb: result agent.invoke(question) print(f本次调用消耗令牌: {cb.total_tokens})10.3 性能和优化问题问题响应速度慢优化方案 1. 使用更小的模型或调整参数 2. 实现缓存机制 3. 使用异步处理 4. 优化提示词长度问题记忆管理导致内存泄漏# 定期清理记忆 from langchain.memory import ConversationSummaryMemory # 使用摘要记忆减少内存占用 memory ConversationSummaryMemory(llmchat_model)11. 学习路径和进阶资源要真正掌握 LangChain建议按照以下路径系统学习11.1 初学者阶段1-2周掌握基本概念模型、提示词、链、记忆完成简单对话应用和文档问答系统理解 LangChain 的设计哲学11.2 进阶阶段2-4周深入学习代理和工具的使用掌握向量数据库和检索增强生成学习 LangSmith 平台的使用11.3 专家阶段1-2月源码阅读和自定义组件开发复杂工作流设计和优化生产环境部署和监控11.4 推荐学习资源官方文档LangChain 官方文档是最权威的学习资料GitHub 仓库阅读源码和示例代码社区论坛参与 LangChain 社区讨论实战项目通过实际项目加深理解学习 LangChain 最重要的是动手实践。从简单的例子开始逐步构建复杂的应用在实际项目中遇到问题并解决问题这样才能真正掌握这个强大的框架。无论你是想要进入 AI 应用开发领域还是希望提升现有项目的智能化水平LangChain 都是一个值得投入时间学习的重要技术。随着 AI 技术的不断发展掌握 LangChain 这样的工具将会成为开发者的重要竞争力。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
