LangChain：构建强大的对话式 AI 应用！

对话式 AI 应用最近有点火，比如聊天机器人、智能问答系统、甚至能自动生成代码的工具。这些应用背后的逻辑其实并不复杂，本质上是把大语言模型（比如 OpenAI 的 GPT 系列）和一些外部工具（像搜索引擎、数据库）结合起来，完成复杂任务。而LangChain 就是一个专门为这种场景设计的 Python 框架，帮你快速搭建强大的对话式 AI 应用。

---

LangChain 能做什么？

LangChain 的核心思想是“链”。它把语言模型和外部工具、数据源连接起来，通过设计一系列的逻辑步骤，把简单的对话式 AI 升级成一个功能丰富的应用。比如：

• 记忆功能：让 AI 记住之前的对话内容，像个“长情”的聊天对象。
• 调用外部工具：例如让 AI 查询实时天气、提取数据库信息。
• 复杂任务链：把任务分成多个步骤，比如先分析问题，再生成答案。

总之，LangChain 就像搭建对话式 AI 的“积木”，灵活又好用。

---

安装 LangChain：准备上手

要用 LangChain，先安装它的 Python 包。如果你还没装，跑下面这条命令：

pip install langchain openai

同时你还需要一个 OpenAI 的 API 密钥，去OpenAI 官网 申请一个。

---

快速入门：简单的对话链

创建一个简单的对话

我们先用 LangChain 搭一个最基础的对话逻辑，让 AI 能根据用户输入给出回复。

from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# 设置 OpenAI 的 API 密钥
import openai
openai.api_key = "your_api_key_here"

# 初始化语言模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# 初始化对话链，包含内存功能
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

# 模拟对话
response1 = conversation.run("你好！你是谁？")
print(response1)

response2 = conversation.run("你还记得我刚才说了什么吗？")
print(response2)

• ChatOpenAI：这是 LangChain 提供的接口，用来调用 OpenAI 的聊天模型。
• ConversationChain：对话链的核心，可以处理用户输入，生成输出。
• ConversationBufferMemory：用来记忆对话上下文，让 AI 记住之前聊过的内容。

运行代码后，AI 会先回答“你是谁”这个问题，然后在第二次回答中，它能记住之前的对话内容。是不是有点“人味”了？

---

拆解任务：规划复杂逻辑

有时候，用户的需求并不是一句话能回答清楚的，比如“帮我写一篇关于 AI 的文章”。这种情况下，一个对话链就不够用了，需要把任务拆成多个步骤。

多步骤任务链

LangChain 提供了LLMChain，可以把多个任务串联起来。比如，先帮用户分析需求，再生成内容：

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# 初始化语言模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# 定义第一个任务：分析需求
analysis_prompt = PromptTemplate(
    input_variables=["request"],
    template="用户的需求是：{request}。请用一句话总结这个需求的核心。"
)
analysis_chain = LLMChain(llm=llm, prompt=analysis_prompt)

# 定义第二个任务：生成内容
generation_prompt = PromptTemplate(
    input_variables=["summary"],
    template="根据需求：{summary}，写一篇简短的文章。"
)
generation_chain = LLMChain(llm=llm, prompt=generation_prompt)

# 串联任务
from langchain.chains import SequentialChain
chain = SequentialChain(
    chains=[analysis_chain, generation_chain],
    input_variables=["request"],
    output_variables=["summary", "text"]
)

# 运行链
result = chain.run("帮我写一篇关于人工智能发展的文章")
print(result["text"])

• PromptTemplate：定义每个步骤的输入和输出格式。
• LLMChain：将语言模型和模板结合起来，完成一个具体任务。
• SequentialChain：把多个步骤串起来，按顺序执行。

运行结果会先分析任务需求，然后根据需求生成对应的文章内容。

---

调用外部工具：让 AI 更聪明

有些问题是语言模型单靠上下文回答不了的，比如“纽约今天的天气怎么样”。LangChain 支持调用外部 API 或工具，让 AI 拓展能力。

使用工具链查询天气

假设我们有一个天气 API，可以结合 LangChain 和工具链来回答用户的天气问题。

from langchain.agents import initialize_agent, Tool
from langchain.chat_models import ChatOpenAI
from langchain.tools import tool

# 模拟一个天气查询工具
@tool
def get_weather(city: str) -> str:
    if city == "纽约":
        return "今天纽约晴天，气温15°C。"
    return f"暂时没有关于{city}的天气信息。"

# 初始化工具和语言模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
tools = [Tool(name="查询天气", func=get_weather, description="用来查询城市天气信息")]

# 初始化工具链
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

# 用户提问
response = agent.run("帮我查一下纽约今天的天气")
print(response)

• @tool：定义一个自定义工具，比如这里的get_weather。
• initialize_agent：把工具和语言模型结合起来，生成一个智能代理。

运行后，AI 会调用get_weather 工具查询天气，并把结果返回给用户。

温馨提示：
🛠️工具功能要写清楚：如果工具的功能和描述不清楚，AI 可能会“误会”它的用法，导致回答不准确。

---

给 AI 添加记忆：更像个人

普通的对话模型通常只能处理当前对话的上下文，而 LangChain 提供了多种记忆模块，能让 AI 像人一样记住过去的对话。

示例：聊天中带记忆功能

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 初始化记忆和对话链
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

# 模拟对话
response1 = conversation.run("你好，我叫小明。")
print(response1)

response2 = conversation.run("你记得我叫什么吗？")
print(response2)

• ConversationBufferMemory：记录对话历史。
• 在第二次对话时，AI 能记得用户的名字“小明”。

如果还想让记忆更强大，LangChain 还支持基于向量的记忆模块，适合更复杂的场景。

---

应用场景：LangChain 能干啥？

• 智能问答系统：结合外部知识库回答问题。
• 多轮对话机器人：支持上下文记忆的聊天助手。
• 任务自动化：分步骤完成复杂任务，比如生成报告、计划行程。
• 数据查询助手：调用工具或数据库，回答专业问题。

LangChain 的灵活性让它可以胜任各种对话式 AI 应用场景。

---

总结

LangChain 是一个强大的框架，专为构建对话式 AI 应用而设计。它不仅能让大语言模型更智能，还能轻松集成外部工具和记忆功能。搭建聊天机器人、任务助手或者智能问答系统，LangChain 都是个好帮手。初学时可以从简单的对话链入手，慢慢尝试工具链、多步骤任务链等高级功能，多动手实践才能真正掌握它的威力。

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

下面这些都是我当初辛苦整理和花钱购买的资料，现在我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。