关于LangChain的用法

最新推荐文章于 2025-11-02 22:04:09 发布

原创最新推荐文章于 2025-11-02 22:04:09 发布 · 1k 阅读

CC 4.0 BY-SA版权

文章标签：

LangChain 是一个开源框架，旨在帮助开发者轻松构建应用程序，这些应用利用语言模型来处理各种任务，比如文档检索、问答系统、文本生成等。它特别适合用于创建结合了自然语言处理（NLP）和机器学习的应用程序。LangChain 提供了一套工具和方法，使得语言模型能够更加智能地与外部数据、其他模型以及不同类型的API进行交互。

以下是使用 LangChain 的一些基本用法：

1. 设置 LangChain 环境

首先，你需要安装 LangChain 库。可以通过 pip 来安装：

pip install langchain

2. 创建一个链（Chain）

LangChain 中的核心概念之一是“链”（Chain），它定义了语言模型与其他组件（如检索器、工具等）之间的交互方式。最简单的链是一个语言模型本身，但你也可以创建更复杂的链，比如结合检索器来查找信息的链。

示例：使用一个简单的语言模型链

from langchain.llms import OpenAI

# 初始化一个OpenAI模型实例
llm = OpenAI(temperature=0.9)

# 使用模型生成文本
print(llm("Tell me a joke."))

3. 使用检索增强链（Retrieval-Augmented Generation, RAG）

RAG 是一种技术，它允许语言模型访问外部知识源（如文档存储）。这对于创建能够基于最新数据生成响应的应用程序非常有用。

示例：设置一个带有向量存储的检索增强链

from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.chains.question_answering import load_qa_chain

# 假设我们已经有一个向量数据库
vectorstore = FAISS.from_texts(texts, OpenAIEmbeddings())

# 加载一个用于问答的链
qa_chain = load_qa_chain(llm, chain_type="stuff")

# 使用检索器来查找相关信息并生成答案
docs = vectorstore.similarity_search("What's the weather like today?")
response = qa_chain.run(input_documents=docs, question="What's the weather like today?")
print(response)

4. 创建工具（Tools）

LangChain 还允许你创建工具，这些工具可以让你的语言模型调用外部API或执行特定的任务。

示例：创建一个可以查询天气API的工具

from langchain.tools import BaseTool

class WeatherTool(BaseTool):
    name = "weather_api"
    description = "Useful for when you need to answer questions about weather"

    def _run(self, query):
        # 在这里调用真实的天气API
        return "The weather is sunny and warm."

    def _arun(self, query):
        raise NotImplementedError("This tool does not support async")

# 将工具添加到代理
from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType

tools = [WeatherTool()]
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

# 使用工具来获取天气信息
print(agent.run("What's the weather like?"))