LangChain 核心概念学习（一）LangChain 架构解析

原创已于 2024-10-26 19:21:03 修改 · 1.6k 阅读

31 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #架构 #人工智能 #AI大模型 #大模型 #LLM #ai

于 2024-10-23 13:59:29 首次发布

一、LangChain 架构

LangChain 作为一个框架，由多个package(包)组成。

1、langchain-core

这个package(包)包含了不同组件的基本抽象和组合方式。核心组件（如 LLMs、向量存储、检索器等）的接口都在这里定义。此包不包含任何第三方集成，依赖项被有意保持得非常轻量。

2、langchain

主要的 langchain 包包含了组成应用程序认知架构的chains, agents和retrieval strategies(检索策略)。这里的内容并非第三方集成。所有的chains, agents和retrieval strategies(检索策略)都不是针对某一特定集成，而是适用于所有集成的通用功能。

3、langchain-community

这个package(包)包含了由 LangChain 社区维护的第三方集成。关键合作伙伴的包被单独分离出来。此package(包)包含了各种组件的所有集成（如 LLMs、向量存储、检索器）。为了保持包的轻量化，此包中的所有依赖项都是可选的。

4、Partner packages

虽然大多数集成都在 langchain-community 包中，但我们仍将一些流行的集成分离成它们自己的包（例如 langchain-openai、langchain-anthropic 等）。这样做是为了更好地支持这些重要的集成。

5、langgraph

langgraph 是 langchain 的扩展，旨在通过将步骤建模为图中的边和节点，构建稳健且具有状态的多角色 LLM 应用程序。

LangGraph 提供了用于创建常见类型代理的高级接口，以及用于组合自定义流程的低级 API。

6、langserve

用于将 LangChain chains部署为 REST API 的包。它使生产级别的 API 快速上线变得更加容易。

7、LangSmith

一个开发者平台，用于调试、测试、评估和监控 LLM 应用程序。

8、LangChain 表达式语言 (LCEL)

LangChain 表达式语言 (LCEL) 是一种声明式方式，用于将 LangChain 组件串联在一起。LCEL 从一开始就设计为支持将原型直接投入生产，无需修改代码，无论是最简单的“提示 + LLM”链，还是最复杂的链（我们见过在生产环境中成功运行包含数百个步骤的 LCEL 链）。

以下是使用 LCEL 的几个理由：

一流的流式支持：当使用 LCEL 构建chains（链条）时，能够获得最佳的首字节时间（从输出的第一个块开始的时间）。对于某些chains(链条)，这意味着我们直接从 LLM 流式传输令牌到流式输出解析器，你将以与 LLM 提供者输出原始令牌相同的速度获得解析后的增量输出块。
异步支持：任何使用 LCEL 构建的chains(链条)都可以通过同步 API（例如，在 Jupyter notebook 中进行原型开发时）以及异步 API（例如，在 LangServe 服务器中）调用。这使得可以在原型和生产中使用相同的代码，具有良好的性能，并能够在同一服务器中处理多个并发请求。
并行执行优化：当 LCEL chains(链条)中有可并行执行的步骤（例如，从多个检索器中获取文档）时，我们会自动执行，并在同步和异步接口中以最小的延迟完成任务。
重试和回退：可以为 LCEL chains(链条)中的任何部分配置重试和回退。这是一种提高大规模chains(链条)可靠性的重要方式。我们目前正在添流式重试/回退支持，这样你可以在不增加延迟的情况下获得更高的可靠性。
访问中间结果：对于更复杂的链条，访问中间步骤的结果通常非常有用，即使在最终输出生成之前。这可以用于让最终用户知道某些操作正在进行，或者仅用于调试你的链条。你可以使用流式访问中间结果，并且在每个 LangServe 服务器上都可以使用。
输入和输出模式：输入和输出模式为每个 LCEL 链条提供了基于 Pydantic 和 JSONSchema 推断的模式。这可以用于输入和输出的验证，是 LangServe 的核心组成部分。
无缝的 LangSmith 跟踪：随着你的链条变得越来越复杂，理解每个步骤的具体操作变得越来越重要。使用 LCEL，所有步骤都自动记录到 LangSmith，以实现最大程度的可观察性和可调试性，文档地址：https://docs.smith.langchain.com。

LCEL 旨在为LLMChain和Conversational RetrievalChain等传统子类链的行为和定制提供一致性。许多传统链条隐藏了重要的细节，如提示，而随着更多不同类型的模型出现，定制化变得越来越重要。

9、Runnable interface

为了尽可能简化自定义链的创建，我们实现了一个“Runnable”协议。许多 LangChain 组件都实现了 Runnable 协议，包括chat models(聊天模型)、LLMs、output parsers(输出解析器)、retrievers(检索器)、prompt templates(提示模板)等。还有一些用于处理 Runnable 的有用原语，详情可见下文。

这是一个标准接口，它使定义自定义链以及以标准方式调用它们变得容易。标准接口包括：

stream：stream back chunks of the response.
invoke：call the chain on an input.
batch：call the chain on a list of inputs.

这些方法还有对应的异步方法，可与 asyncio 的 await 语法一起使用，以实现并发：

astream：异步返回响应的分块数据流
ainvoke：异步对单个输入调用链
abatch：异步对输入列表调用链
astream_log：在返回最终响应的同时，流式返回中间步骤
astream_events：beta 版本，流式返回链条中发生的事件（在 langchain-core 0.1.14 中引入）

输入类型和输出类型因组件而异：

组件	输入类型	输出类型
Prompt	字典	`PromptValue`
ChatModel	单个字符串、聊天消息列表或 `PromptValue`	`ChatMessage`
LLM	单个字符串、聊天消息列表或 `PromptValue`	字符串
OutputParser	LLM 或 ChatModel 的输出	取决于解析器
Retriever	单个字符串	文档列表
Tool	单个字符串或字典（取决于工具）	取决于工具