Day 1 环境 + 架构 + Demo 跑通

最新推荐文章于 2025-11-29 11:20:17 发布

原创最新推荐文章于 2025-11-29 11:20:17 发布 · 421 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#架构 #java #人工智能

目标：理解新版 LangChain 的架构组成

内容框架：

层级关系：core（抽象层） → model（模型连接层） → community（集成层） → langchain（组合层）
LangChain 四层架构解析:
- langchain_core
  - 功能：核心抽象层，包含 Runnable、Prompt、OutputParser 等基础组件
  - 核心模块：[‘VERSION’, ‘caches’, ‘callbacks’, ‘documents’, ‘embeddings’]
- langchain_openai
  - 功能：模型连接层，专为 OpenAI 模型提供集成支持
- langchain_community
  - 功能：社区集成层，整合第三方工具、向量库和文档加载器
- langchain
  - 功能：应用组合层，提供高级链、Agent 和 LangGraph 等功能

架构示意图：

┌─────────────────────────────────────────┐
│           langchain (应用层)             │ ← 高级组合
│    Chains, Agents, LangGraph workflows  │
└─────────────────────────────────────────┘
┌─────────────────────────────────────────┐
│        langchain-community (集成层)      │ ← 第三方集成  
│    VectorStores, Tools, DocumentLoaders │
└─────────────────────────────────────────┘
┌─────────────────────────────────────────┐
│          langchain-openai (模型层)       │ ← 模型提供商
│        ChatOpenAI, OpenAIEmbeddings     │
└─────────────────────────────────────────┘  
┌─────────────────────────────────────────┐
│           langchain-core (抽象层)        │ ← 核心抽象
│    Runnable, Prompt, OutputParser       │
└─────────────────────────────────────────┘

Runnable 核心机制详解

Runnable 统一接口
- 功能：为所有组件提供标准化调用方式，实现类乐高积木的模块化设计
- 主要方法：
  - invoke(input)：单次输入输出
  - batch(inputs)：批量处理
  - stream(input)：流式处理
  - 异步版本：ainvoke(), abatch(), astream()
  - with_retry：自动重试机制

LCEL 编排语言

语法：使用管道符 | 连接 Runnable 组件
基础示例：提示词 | 模型 | 输出解析器

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 组件定义
prompt = ChatPromptTemplate.from_template("讲一个关于{topic}的笑话")
model = ChatOpenAI(model="gpt-3.5-turbo")
output_parser = StrOutputParser()

# 链式组合
chain = prompt | model | output_parser

# 执行调用
result = chain.invoke({"topic": "冰淇淋"})
print(result)

数据流向：{"topic": "冰淇淋"} → prompt → model → output_parser → 最终输出

任务拆分机制

功能：支持 Agent 将复杂任务分解为子任务
示例工具函数：

def get_weather(city: str) -> str:
    """获取城市天气信息"""
    return f"今天{city}的天气晴朗。"

最小实现示例

import os
from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableBranch
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 工具函数
def generate_joke(topic: str) -> str:
    joke_prompt = ChatPromptTemplate.from_template("讲一个关于{topic}的笑话。")
    joke_chain = joke_prompt | model | output_parser
    return joke_chain.invoke({"topic": topic})

# 初始化配置
load_dotenv(override=True)
model = ChatOpenAI(
    model="qwen3-max",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL"),
    max_tokens=1000,
    temperature=0.8,
    streaming=True
)
output_parser = StrOutputParser()

# 分支处理链
poem_prompt = ChatPromptTemplate.from_template("写一首关于{topic}的短诗。")
poem_chain = poem_prompt | model | output_parser

branch = RunnableBranch(
    (lambda x: "冰淇淋" in x["topic"], lambda x: generate_joke(x["topic"])),
    poem_chain
)

# 执行示例
print(branch.invoke({"topic": "月亮"}))  # 输出诗歌
print(branch.invoke({"topic": "冰淇淋"}))  # 输出笑话

基础检查脚本

import langchain_core
import langchain_openai
import langchain_community
import langchain

for pkg in [langchain_core, langchain_openai, langchain_community, langchain]:
    print(pkg.__name__, dir(pkg))

为什么 LangChain 1.0+ 采用模块化设计？

LangChain 1.0+ 版本采用了模块化设计，主要旨在提升框架的清晰度、可维护性和灵活性，同时确保向后兼容性并聚焦于核心功能，这一设计转变源于对早期版本的反思，其中包结构较为庞大，导致开发者在构建代理（agent）系统时面临不必要的复杂性。通过模块化，LangChain 将核心抽象分离出来，并将遗留功能迁移到专用包中，从而为开发者提供更精炼的构建块