LangChain从入门到实践——LangChain介绍，大模型入门到精通，收藏这篇就足够了！

原创 于 2025-10-13 11:05:53 发布 · 580 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #prompt #人工智能 #embedding #llama #github #LLM

什么是 LangChain

LangChain 是一个基于 python 语言的模块化、可组合、面向开发者的开源框架，旨在简化基于大型语言模型的应用程序开发。它由 Harrison Chase 于 2022 年 10 月发起，迅速成为 GitHub 上增长最快的开源项目之一。

顾名思义，LangChain中的“Lang”是指language，即⼤语⾔模型，“Chain”即“链”，也就是将⼤模型与外部数据&各种组件连接成链，以此构建AI应⽤程序。

为什么需要LangChain

当ChatGPT、QwenLM、DeepSeek等大语言模型（LLM）横空出世时，开发者们立刻意识到：LLM不是终点，而是构建智能应用的“大脑”。但要让这个“大脑”真正解决实际问题，还需要解决三个关键痛点：

信息过时

LLM的知识截止于训练数据的时间节点（如GPT-4的训练数据截止到2023年），无法回答诸如“2024年最新AI论文内容”或“今天纽约股市收盘价”这样的问题。

无法动手

LLM虽然能生成自然语言，但它不能执行外部操作，比如调用API、计算数值、查询数据库、发送邮件等。它就像一个只会思考的“脑壳”，没有“手脚”。

记忆有限

LLM的上下文窗口（例如GPT-4最多支持32,768个tokens）限制了它处理长文本的能力，难以记住对话历史或文档细节。

因此，我们需要一个框架，将LLM的“大脑”与“感官（数据）”、“手脚（工具）”、“记忆（上下文）”连接起来，让它从“聊天机器人”升级为“能解决具体问题的助手”。

为什么不使用模型 API 开发

不使用LangChain，确实可以使用GPT 或GLM4 等模型的API进行开发。比如，搭建“智能体”（Agent）、问答系统、对话机器人等复杂的 LLM 应用。

但使用LangChain的好处有：

  • 简化开发难度：更简单、更高效、效果更好
  • 学习成本更低：不同模型的API不同，调用方式也有区别，切换模型时学习成本高。使用LangChain，可以以统一、规范的方式进行调用，有更好的移植性。
  • 现成的链式组装：LangChain提供了一些现成的链式组装，用于完成特定的高级任务。让复杂的逻辑变得结构化、易组合、易扩展

LangChain 使用场景

作为一名运维工程师，可以用 LLM（大模型）+ 工具链 的方式构建「智能运维机器人」，帮你在已有监控、告警、日志、K8s 平台上实现自动诊断 + 智能决策。

项目方向简要说明可实现功能
智能告警分析助手对接 Prometheus Alertmanager、Oncall 平台分析当前活跃告警、聚合历史告警趋势、关联处理手册，自动建议处理方案、支持“告警认领”/“告警屏蔽” 等操作
日志智能检索助手对接 ELK / Loki / VictoriaLogsLLM自动生成日志查询语句、关联上下文日志事件、 一键分析“异常原因”
Grafana 智能分析助手对接 Grafana API接收 PromQL / 指标表达式、生成趋势图、自动分析性能瓶颈
Kubernetes 智能巡检 / 故障定位助手对接 kubectl、K8s API Server自动检测Pod异常原因（ImagePullBackOff、CrashLoopBackOff等）、 一键修复（重启Pod、删除Evicted等）
自愈自动化运维平台 (AIOps)LangGraph 构建可控流程图事件 → 诊断 → 人工确认 → 执行动作、形成闭环：检测-诊断-修复-验证
监控配置生成助手自动生成PrometheusRule、Blackbox配置根据自然语言生成监控项、自动生成PromQL和yaml配置
工单/变更智能处理机器人对接内部ITSM系统（如Jira/禅道）解析工单内容 → 推荐处理流程、生成执行脚本或kubectl命令

LangChain技术体系

LangChain技术体系主要包括以下模块：

核心库

langchain-core

  • 功能：提供 LangChain 的核心抽象和基类，是其他模块的基础。
  • 主要组件：
  • Runnable：LangChain 的核心执行接口，所有链、代理和工具都基于此抽象。
  • PromptTemplate：用于动态生成模型输入的模板，支持字符串和聊天消息格式。
  • OutputParser：解析语言模型的输出（如 JSON、列表、结构化数据）。
  • Callbacks：用于监控和调试执行过程，支持日志记录、性能分析等。
  • 用途：定义通用的接口和工具，确保模块之间的兼容性和可扩展性。

langchain

  • 功能：主包，包含核心功能模块，依赖 langchain-core。
  • 主要子模块：
  • LLMs：与语言模型交互的接口（如 OpenAI、Hugging Face）。
  • Chat Models：专为对话场景优化的模型接口。
  • Memory：管理对话上下文的模块（如 ConversationBufferMemory）。
  • Chains：组合提示、模型和其他组件的工作流（如 LLMChain、RetrievalQA）。
  • Agents：动态决策和工具调用的模块。
  • Tools：外部工具接口（如搜索、计算器）。
  • 用途：提供构建复杂应用的完整工具集，适合快速开发。

langchain-community

  • 功能：社区贡献的扩展模块，包含大量第三方集成和工具。
  • 主要内容：
  • 向量存储：支持 Chroma、FAISS、Pinecone 等向量数据库。
  • 文档加载器：支持从 PDF、CSV、网页等加载数据。
  • 工具：如 Wikipedia、SerpAPI、Arxiv 等。
  • 模型集成：支持 Hugging Face、Anthropic、Cohere 等模型。
  • 用途：扩展 LangChain 的功能，适合需要特定集成或开源替代方案的场景。

语言模型集成库

LangChain 支持与多种语言模型和嵌入模型的集成，这些集成通常以单独的子包形式提供，需单独安装。以下是常见的模型集成库：

langchain-openai

  • 功能：与 OpenAI 的 GPT 模型和嵌入模型（如 text-embedding-ada-002）交互。
  • 用途：适合需要高性能模型的商业应用。

langchain-huggingface

  • 功能：支持 Hugging Face 的开源模型和嵌入模型（如 SentenceTransformers）。
  • 用途：适合本地部署或开源模型的场景

其他模型集成

  • langchain-cohere: 支持 Cohere 的嵌入和生成模型。
  • langchain-mistralai: 支持 Mistral AI 的模型。
  • langchain-google-genai: 支持 Google 的 Gemini 模型。

向量存储和检索库

LangChain 支持多种向量数据库，用于存储和检索文本的向量表示。这些库通常在 langchain-community 中，或以独立包形式提供。

langchain-chroma

  • 功能：与 Chroma 向量数据库集成，支持高效的向量存储和检索。
  • 用途：适合本地或小型应用的向量存储。

langchain-pinecone

  • 功能：与 Pinecone 云向量数据库集成。
  • 用途：适合大规模、分布式向量存储。

langchain-faiss

  • 功能：与 FAISS（Facebook AI Similarity Search）集成，支持高效的本地向量搜索。
  • 用途：适合高性能、本地化场景。

其他向量存储

  • Weaviate (langchain-weaviate): 支持云原生向量数据库。
  • Qdrant (langchain-qdrant): 高性能向量搜索。
  • Elasticsearch (langchain-elasticsearch): 结合 Elasticsearch 的搜索能力。

工具和外部服务集成

LangChain 提供了大量工具库，用于与外部服务交互。这些工具通常在 langchain-community 中，或者需要单独安装。

langchain-serpapi

  • 功能：与 SerpAPI 集成，用于网页搜索。
  • 用途：为代理提供实时搜索能力。

langchain-wikipedia

  • 功能：查询 Wikipedia 的内容。
  • 用途：快速获取百科知识。
  • 安装：包含在 langchain-community。

其他工具

  • Arxiv：查询学术论文。
  • Wolfram Alpha：数学和科学计算。
  • Zapier：自动化工作流集成。

辅助库

LangChain 生态还包括一些辅助库，用于调试、部署和增强功能。

langsmith

  • 功能：LangChain 官方的调试和监控平台，用于记录链和代理的执行细节。
  • 用途：优化性能、分析模型行为。

langserve

  • 功能：将 LangChain 应用部署为 REST API。
  • 用途：快速上线 LangChain 应用。

langgraph

  • 功能：构建基于图的工作流，适合复杂、有状态的应用程序。
  • 用途：实现多步骤推理或循环任务。

文档加载和处理库

LangChain 提供多种文档加载器和文本处理工具，通常在 langchain-community 中。

文档加载器

  • PDF：PyPDF2, pdfplumber。
  • Web：BeautifulSoup, WebBaseLoader。
  • CSV/Excel：pandas。

文本分割器

  • 功能：将长文本切分为适合模型处理的块。
  • 类型：
  • CharacterTextSplitter：按字符数分割。
  • RecursiveCharacterTextSplitter：递归分割，保留语义。
  • TokenTextSplitter：按 token 数分割。

LangChain核心模块

LLM 大模型接口

LangChain 封装了不同模型的调用方式，它统一了各种模型的接口，切换不同模型变得轻松。

PromptTemplate提示词模板

大模型的输出质量在很大程度上取决于提示词（Prompt）的设计，在LangChain 把提示词封装成模板，支持变量动态替换，管理起来更清晰，能灵活控制 Prompt 内容，避免硬编码。

Chain链

Chain链是 LangChain 的核心思想之一，一个 Chain 就是将多个模块串起来完成一系列操作，Chain链可以将上一步操作的结果交给下一步进行执行，比如用提示词模板生成 Prompt，将渲染后的提示词交给大模型生成回答，再将大模型的回答将结果输出到控制台，Chain和Linux中的管道符十分类似，每一步的输出自动作为下一步输入，实现模块串联。

Memory记忆

在和大模型对话时，大模型本身并不具备有记忆历史对话的功能，但是在使用ChatGPT、DeepSeek等大模型时，发现它们在同一个会话内有“上下文记忆”的能力，这样能使对话更加连贯。

LangChain 也提供了类似的记忆功能。通过 memory，可以把用户的历史对话保存下来，使大模型拥有历史记忆的能力，如下示例，每一轮对话会从ConversationSummaryBufferMemory中读取历史对话，渲染到Prompt供大模型使用。

对话结束之后，会将对话内容保存到ConversationSummaryBufferMemory，如果历史记忆超过一定大小，为了节省和大模型之间调用的token消耗，会对历史记忆进行摘要提取、压缩之后再保存，这样大模型拥有了记忆功能。

MCP与工具调用

大语言模型本身是一种基于大量数据训练而成的人工智能，它本身是基于大量的数据为基础对结果进行预测，因此，大模型可能会出现给出1+1=3这种情况，大模型本身是不会“上网”， 也不会算数的，因此，可以给大模型接入各种各样的工具如Google搜索、高德地图定位信息查询、图像生成等等。

那么大模型是怎么使用工具的呢？在现如今，很多的大模型都支持了工具调用，也就是将可用的工具信息列表在调用大模型时传递过去，这些信息包括工具的用途、参数说明等等，大模型会根据这些工具的作用确定调用哪些工具，并且根据参数的描述，来返回调用工具的参数。

最终将工具调用结果返回给大模型，完成用户交给的任务，整个过程中，大模型会根据任务判断是否调用工具，并组织执行，这个自动决策执行的过程，就是由 agent 完成的。

agent 会自己思考、分步骤执行，非常适合复杂任务处理，后续我们也会深入介绍如何通过 LangChain 创建一个完整的 agent，自动协调多个工具完成复杂任务。

对于那些不支持工具调用的大模型，也可以根据提示词将可选的工具和调用方法传递给大模型，但是大模型的预测有很强的不确定性，返回结果的准确率会显著下降。

RAG检索

在一些LLM的使用场景，需要使用一些特定的文档让LLM根据这些文档的内容进行回复，而这些特定的文档通常不在LLM的训练数据中，此时RAG检索就有用武之地。

在LangChain中，可以读取文档作为大模型的知识库，来进行增强搜索，LangChain封装各种类型的文档读取器，可以将读取文档得到的数据，通过LangChain文档分割器对文档进行分割，通过文本嵌入模型对文本进行向量化，将文本的向量信息保存到向量数据库。

当用户向AI发起提问时，在向量数据库中检索出与提问相关的文档，然后与用户问题一起发送给大模型，这个过程就叫做RAG（检索增强生成，Retrieval-Augmented Generation），RAG 能让大模型回答特定领域的问答变得更加精准、实时，避免出现幻觉。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

Llama-Turbo
关注
详解LangChain Agents
herosunly的博客
03-05 25万+
本文主要对LangChain Agents进行了详细的解析，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. LangChain Agents的分类 3. 用法介绍
LangChain
AI工程化、开源分享、文档翻译、代码笔记
05-08 2937
通常的做法就是直接发给 api 让他总结。但是如果文本超过了 api 最大的 token 限制就会报错。这时，我们一般会进行对文章进行分段，比如通过 tiktoken 计算并分割，然后将各段发送给 api 进行总结，最后将各段的总结再进行一个全部的总结。如果，你用是 LangChain，他很好的帮我们处理了这个过程，使得我们编写代码变的非常简单。
五分钟带你学习LangChain 框架
weixin_43737299的博客
01-22 2953
LangChain框架学习笔记
LangChain学习
irisMoon06的博客
08-12 503
表示我们可以按调用多个LLM,我们可以将许多LLM和Prompts结合起来，不同的组合能达到不同效果，并且这个组合的方式是无穷无尽的，方便展示我将用到streamlit做一个简单的页面展示。这个模块包含许多使用的函数，可以将我们的模型和自己的文本数据进行结合，可以获取不同的源数据，并且它还提供了矢量储存的接口来有效的存储文本并使其可搜索。这个可以弥补OpenAI数据库中没有的问题，我们可以去谷歌去搜索，相对应的tool还有维基百科等等，还有计算器相关的tool等待大家探索。感兴趣的朋友可以研究下：传送门。
Langchain
qq_49359895的博客
06-13 6153
LangChain是一个用于开发由大语言模型（Large Language Model）驱动的应用程序的框架。LLM 存在一定局限性，如不能联网搜索以及有限输入长度等。这些限制会成为应用程序中的阻碍。LangChain在此背景下应运而生，来解决这些问题。Langchain官方文档：https://docs.langchain.com/docs/Langchain Python官方文档：https://python.langchain.com/en/latest/index.html。
大白话讲清楚：什么是 Langchain 及其核心概念
铭毅天下Elasticsearch
01-13 3400
在AI和机器学习领域，每天都有新技术和框架涌现。今天，我们来聊聊最近引起广泛关注的一个框架 —— Langchain。https://python.langchain.com/docs/get_started/introduction那么，Langchain到底是什么，它为什么这么受欢迎，以及它是如何工作的呢？别担心，我会用大白话帮你一步步弄明白！1、Langchain 简介想象一下，如果你能让聊...
《LangChain从入门到精通》系统学习教材大纲
寓教于乐。教己助人
09-06 733
LangChain的诞生背景：为什么需要LangChain？核心定位：连接大模型与外部世界的“操作系统”典型应用场景：聊天机器人、文档问答、智能代理、自动化流程等LangChain是通往AI应用开发的黄金钥匙。它不仅是一个工具库，更是一种构建智能系统的思维方式。只要你坚持系统学习、动手实践，完全可以在3个月内从小白成长为专家。我会一直在这里支持你。接下来，你可以告诉我：“老师，我现在想从第一课开始，请帮我制定第1周的详细学习计划。期待你的成长！—— 你的LangChain导师 🌟。
测试工程师如何利用LangChain提升AI测试效能——以DeepSeek大模型为例的系统解析
weixin_44872675的博客
05-28 445
自定义请求：每次都需手动处理API参数拼接、请求发送、响应解析与异常处理。新增功能意味着重复劳动与潜在隐患。LangChain框架：将这些流程高度封装。只需配置Prompt、模型、链式结构，即可一键调用复杂AI能力。"请基于以下需求，生成5个详尽的测试用例，覆盖正常、异常和边界场景：\n{requirements}"result = chain.invoke({"requirements": "用户注册，手机号唯一，密码复杂度要求高。
【五.LangChain技术与应用】【8.LangChain提示词模板基础：从入门到精通】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
03-05 265
早上八点，你端着咖啡打开IDE，老板刚甩来需求：“做个能自动生成产品描述的AI工具”。你自信满满地打开ChatGPT的API文档，结果半小时后对着满屏的"输出结果不稳定"、"格式总出错"抓耳挠腮——这时候你真需要好好认识下LangChain里的提示词模板了。
一文搞懂大模型！（非常详细）从入门到精通，基础知识、 LLM 应用、 RAG 、 Agent 与未来发展
weixin_45607947的博客
07-19 2023
三金哥：这么一说，把LLM叫做自然语言处理工具可能没有那么准确，LLM 更多的是理解和生成文本。不过，从你的回答上，我在思考一个很重要的问题：对于 LLM 来说，生成具有语义和语法正确性的文本是不是还不太够，生成的文本和问题如何对应上的？比如有下面的问答：问题：2022年 NBA 总冠军是谁？回答：“我认为这个意大利面,就应该拌42号混凝土,因为这个螺丝钉的长度很容易影响到挖掘机的扭矩”单纯从语义和语法正确性貌似没有很大的问题，但是确并没有回答我的问题。
【LangChain】P11 LangChain 提示词模板深度解析（二）：ChatPromptTemplate 从入门到精通
最新发布
weixin_43098506的博客
10-04 1166
ChatPromptTemplate 的核心价值在于结构化组织多角色对话。优先使用根据场景选择合适的输出格式利用 MessagesPlaceholder 和 partial 处理复杂场景2025.10.04 吉林·松原。
LangChain入门指南
lht0909的博客
04-27 3万+
LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。官方文档：https://python.langchain.com/en/latest/
LangChain 是一个强大的框架，可以简化构建高级语言模型应用程序的过程。
AI生成式技术曾小健
06-05 568
总之，LangChain 是一个强大的框架，它通过提供模块化和灵活的方法简化了构建高级语言模型应用程序的过程。LangChain 的适应性和易用性使其成为开发人员的宝贵工具，使他们能够释放语言模型的全部潜力，并在广泛的用例中创建智能的、上下文感知的应用程序。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。这有助于维护上下文并提高模型对对话的理解。通过遵循这些示例，您可以使用 LLM、聊天模型、代理、链和内存功能开发强大的语言模型应用程序。
LangChain入门指南，学习Langchain看这篇足够了
xzp740813的博客
08-20 4157
LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。
LangChain详解
没事学AI的博客
08-01 932
LangChain是一个帮助开发者构建基于大型语言模型(LLMs)应用的框架。其架构包含8个核心模块：Model I/O负责与LLMs交互；Retrieval模块实现信息检索；Agents规划和执行任务；Tools提供实用工具；Memory存储信息；Callbacks实时报告进度；Tracing记录运行日志；Runnables将任务拆分为可执行单元。这些模块协同工作，就像一座智能城市：用户输入经语言模型理解后，检索系统查找相关信息，智能体规划任务并调用工具执行，最终输出处理结果。
LangChain学习一：入门-本地化部署-接入大模型
huiguo_的博客
12-06 1万+
LangChain提供了一个标准的内存接口、一组内存实现及使用内存的链/代理示例。前提条件你是部署好了你的本地大模型，并且提供了API接口，如果你还不会搭建本地模型，你可以参考我的另一篇博客。如果你是在国外或者学会了科学上网，并且你在openai注册了key，你就可以使用opanai的模块进行调用。当然应为我们选择LangChain最为我们的中间件，我们也可以使用LangChain封装的模块使用。提供了一个标准的代理接口，一系列可供选择的代理，以及端到端代理的示例。在下载之前你需要安装环境。
LangChain 中文入门教程
热门推荐
qq_56591814的博客
06-25 5万+
LangChain官方文档假如我们想要用openai api对一段文本进行总结，我们通常的做法就是直接发给 api 让他总结。但是如果文本超过了 api 最大的 token 限制就会报错。这时，我们一般会进行对文章进行分段，比如通过tiktoken计算并分割，然后将各段发送给 api 进行总结，最后将各段的总结再进行一个全部的总结。LangChain可以很好的帮我们处理这个过程，代码也很简单。
LangChain 详细介绍及使用场景
weixin_40400410的博客
08-14 1万+
LangChain 是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 （LLM） 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。中文文档：https://www.langchain.asia官方文档：https://python.langchain.com/docs/get_started/introductionModel。
langchain
08-29
LangChain是一个强大的工具，可用于处理自然语言处理任务，如文本总结与信息抽取等。以下是关于LangChain的一些相关信息： ### 使用指南 - **信息提取链构建**：可以通过LangChain构建信息提取链，从文本中提取结构化信息。构建步骤包括环境设置、定义模式、创建信息抽取器、测试和优化等，能帮助从非结构化文本中提取有价值的结构化信息。掌握基本信息提取技能后，还可学习添加示例以提高提取性能、处理长文本以及使用解析方法提取信息等内容 [^1][^2][^3]。 - **代码示例** - **文本总结**： ```python from langchain.llms import OpenAI from langchain.prompts import PromptTemplate # 初始化大语言模型 llm = OpenAI(model_name="gpt-4", temperature=0.7) # 定义提示模板 prompt = PromptTemplate( input_variables=["text"], template="请对以下文本进行总结：{text}" ) # 生成提示 formatted_prompt = prompt.format(text="这是一段需要总结的文本内容。") # 调用模型生成总结 response = llm(formatted_prompt) print(response) ``` - **信息抽取**： ```python from langchain.llms import OpenAI from langchain.prompts import PromptTemplate # 初始化大语言模型 llm = OpenAI(model_name="gpt-4", temperature=0.7) # 定义提示模板 prompt = PromptTemplate( input_variables=["text"], template="请从以下文本中提取所有日期和地点：{text}" ) # 生成提示 formatted_prompt = prompt.format(text="会议将于2024年10月15日在北京举行。") # 调用模型进行信息抽取 response = llm(formatted_prompt) print(response) ``` ### 功能介绍 - **文档处理能力**：Indexes组件让LangChain具备处理文档的能力，包括文档加载、检索等。这里的文档不局限于txt、pdf等文本类内容，还涵盖email、区块链、视频等内容 [^4]。 - **自然语言处理任务**：支持文本总结与信息抽取等自然语言处理任务。文本总结可将长文本压缩成简洁的摘要，保留关键信息；信息抽取则侧重于从文本中提取特定的结构化信息，如实体、关系等 [^5]。 ### 最佳实践 - **提高提取性能**：可通过添加参考示例来提高信息提取的性能 [^1][^3]。 - **处理长文本**：当文本无法放入LLM的上下文窗口时，需要掌握相应的处理方法 [^1][^3]。 - **解析方法提取信息**：在不支持工具调用的模型中，可使用提示方法进行信息提取 [^1][^3]。 ### 参考资料 在学习和使用LangChain时，可参考LangChain官方文档、OpenAI官方文档、Pydantic官方文档、MistralAI官方文档以及Jupyter Notebook安装指南等 [^1][^2][^3]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值