LangChain和LangGraph初识

LangChain

• LangChain是一个帮助在应用程序中使用大型语言模型的编程框架。同时也是企业名称，由创始人哈里森·蔡斯和安库什·戈拉于2023在美国加利福尼亚州创建的AI公司。Harrison Chase担任首席执行官。
• LangChain简化了LLM应用生命周期的每个阶段：
  开发：利用LangChain的模块和组件来构建应用程序。通过与第三方集成和模板可迅速搭建一个项目。
  生产化：使用LangSmith来检查、监控和评估你的chains，这样你就可以持续优化，并充满信心地部署。
  部署：通过LangServe将任何chains转换成 API。

简单来说就比如
聊天用的：聊天组件
提示词模板
记忆
文档的加载+文档的分隔
向量的存储

更直白点：LangChain 提供了一套工具、组件和接口，简化了与语言模型交互的过程，并允许将语言模型与其他数据源和工具连接起来。

那我们为什么要使用LangChain呢？

1. 数据连接：Langchain允许你将大型语言模型连接到你自己的数据源，比如数据库、PDF文件或其他文档。这意味着你可以使模型从你的私有数据中提取信息。
2. 行动执行：不仅可以提取信息，Langchain还可以帮助你根据这些信息执行特定操作，如发送邮件。无需硬编码：它提供了灵活的方式来动态生成查询，避免了硬编码的需求

LangChain生态

1. LangSmith：调试、测试、评估和监控应用程序，并与LangChain无缝集成。
2. langGraph：用于编排复杂任务流程或工作流。构建健壮且有状态的多⻆色应用程序。
3. langserve：部署LangChain链作为REST APIs。

LangChain主要组件

1. Models：模型，各种类型的模型和模型集成，比如GPT-4
2. Prompts：提示，包括提示管理、提示优化和提示序列化
3. Memory：记忆，用来保存和模型交互时的上下文状态
4. Indexes：索引，用来结构化文档，以便和模型交互
5. Chains：链，一系列对各种组件的调用
6. Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止

演示

我们先在这个项目中创建如下几个文件夹和文件

然后安装对应的依赖：

ip install langchain 
pip install langchain-core 
pip install langgraph>0.2.27       
pip install -qU"langchain[openai]"
pip install -U langchain-deepseek 
pip install langchain-community pypdf  
pip install docx2txt 
pip install -qU langchain-chroma   # 向量库chroma
pip install -qU faiss-cpu   # 向量库faiss

如上，我们逐步安装完成即可
我们可以使用pip list查看是否都安装成功

LangSmith

是LangChain的一个监控、日志平台
我们首先要去官网进行注册
官网地址：https://smith.langchain.com/

我们使用QQ邮箱注册
登录邮箱去确认邮箱即可
然后中间确认角色等过程一律skip
然后点击设置

点击＋API Key

然后我们创建我们自己的密钥就可以了
然后我们去代码里面配置我们的密钥相关信息
LANGSMITH_TRACING=true：表示启用跟踪（即启用LangSmith日志）
LANGSMITH_API_KEY：上面申请的秘钥LANGSMITH_PROJECT：项目的名称，随意填写

正常来讲，当我们运行之后，这里会显示我们运行的过程

那我们同时也配置上OpenAI和DeepSeek的秘钥，如下：
OPENAI_API_KEY=sk-UTMrYlOnkmtwiclzpQYiYaS
OPENAI_API_BASE=https://api.chat

DEEPSEEK_API_KEY=sk-ee2df75adfcc462

环境变量如上，我们配置完毕

LangChain主要组件介绍

聊天组件

我们创建demo1.py文件

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage

"""
聊天模块-一次性输出。
"""

def main():
    model = init_chat_model("deepseek-chat", model_provider="deepseek")
    messages = [
        SystemMessage("将以下内容从英语翻译成中文。"),
        HumanMessage("hi!good,yes"),
    ]
    print(model.invoke(messages).content)


if __name__ == '__main__':
    load_dotenv()
    main()

运行之后，我们发现，它是可以翻译成功的

在运行过程中，它自己会去加载环境变量，然后去运行
上面这个demo1是一次性输出，当然，我们也可以做到流式输出，说直白点就是一个字一个字的往外输出，我们创建demo2.py文件

#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
@Time    : 2025/10/26 13:33
@Author  : nian_nian
@File    : demo2.py
@Desc    : 
"""

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage
"""
聊天模块-流式输出。
"""

def main():
    model = init_chat_model("deepseek-chat", model_provider="deepseek")
    messages = [
        SystemMessage("你是一个高级中学的语文老师，你的作文写的很牛逼。"),
        HumanMessage("请以《奉献》为题，写一篇400的作文"),
    ]
    # print(model.invoke(messages).content)

    for token in model.stream(messages):
        print(token.content)

if __name__ == '__main__':
    load_dotenv()
    main()

运行过程如下：

照片看不出来效果，自己可以尝试下

提示词模板

我们在模板单元文件里面创建demo1.py文件，内容如下：

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate

"""
提示词模版模块。
"""
def main(text):
    model = init_chat_model("deepseek-chat", model_provider="deepseek")

    system_template="将以下内容从英语翻译成{language}"

    prompt_template = ChatPromptTemplate.from_messages(
        [
            ("system", system_template), ("user", "{text}")
        ]
    )

    prompt = prompt_template.invoke({
   
   'language': '日语', 'text': text})

    print(model.invoke(prompt).content)


if __name__ == '__main__':
    load_dotenv()
    main('你好')

将我们输入的内容，翻译成日语的一个模板
运行结果我们看下：

文档加载

加载PDF文件

from langchain_community.document_loaders import PyPDFLoader


def load_pdf():
    loader = PyPDFLoader('sq_pdf.pdf')
    docs = loader.load()

    print('文档的长度', len(docs))
    print('第一部分内容', docs[0].page_content)


if __name__ == '__main__':
    load_pdf()

运行之后的结果如下：

我们可以看到，它正常读出来了PDF文件的内容，同时，它也可以实现，对文章内容进行分段处理

加载word文件

from langchain_community.document_loaders import Docx2txtLoader


def load_word():
    loader = Docx2txtLoader('sq_word.docx')
    docs = loader.load()

    print('文档的长度', len(docs))
    print('第一部分内容', docs[0].page_content)


if __name__ == '__main__':
    load_word()

运行之后的结果：

我们可以看到，word文档里面的内容也被读取了出来

接下来我们专门看下文件的分隔：
我们先写一段代码：

from langchain_text_splitters import CharacterTextSplitter
text_spliter = CharacterTextSplitter(
                                    separator=' ',    # 使用空格作为分割符
                                    chunk_size=10,    # 指明每个分割文本块的大小
                                    chunk_overlap=3,  # 指明每个分割后的文档之间的重复字符个数
                                )


result=text_spliter.split_text('AB CD EF GH IJKLMNOPQRST UVWXYZ1234567890')
print(result)

我们先看下运行的结果：

我们可以看到，并不是所有的元素，都是正好等于10
第一个元素，加上空格，正好等于10
第二个元素，很明显不等于10，因为，如果要等于10，那么就需要对下一个元素进行分割，很明显，下一个元素不能被分隔。举个例子，我们在日常生活中的很多单词，如果我们进行了分隔，那么，他的含义很显然就会发生变化，所以这种结果正常来讲，是我们想要的。

存储到向量库与检索查询

关于文本转换向量，我们只提供几个代码文件，大家可以看下

from dotenv import load_dotenv
from langchain_openai import OpenAIEmbeddings

"""
将文本转换成向量
"""

def embed_txt():
    embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
    vector1=embeddings.embed_query('小米')
    vector2=embeddings.embed_query('小米')
    print(vector1)
    print(vector2)

    print(vector1 == vector2)  # 同样的内容，向量化后，结果可能一样，也可能不一样，如果不一样，也会很相近。

    print(len(vector1)==len(vector2))
    print(len(vector2))

if __name__ == '__main__':
    load_dotenv()
    embed_txt()

import os
from dotenv import load_dotenv
from langchain_openai import OpenAIEmbeddings

""