最全面又最淺顯易懂的Langchain快速上手教程（上）

本文原創，著作權歸 WGrape(https://wgrape.github.io/) 所有，未經授權，嚴禁轉載

一. 前言

隨著GPT模型的問世，大語言模型（LLM）時代已經來臨。LLM的出現，使得人工智能在語言處理方面的能力得到了極大的提升。Langchain作為一個面向后端開發者的框架，旨在幫助開發者快速上手并利用LLM開發出強大的應用程序。本教程將為您提供一份全面的指南，幫助您快速掌握Langchain的使用方法！
二. 基礎介紹

1. 什么是Langchain

Langchain是一個基于大語言模型的應用開發框架，隨著社區的快速長大，它現在已不僅僅是一個開發框架，更多的是一個LLM應用的基建工程，提供從開發到上線整個閉環流程的全程支持。

所以當提到Langchain的時候，需要知道它起初只是一個比較簡單的LLM應用開發框架，只是后來社區長大后，出現了一系列Langchain命名的項目，它們共同組成了現在的Langchain社區。
2. Langchain的核心組成

(1) 四大部分

Langchain作為一個LLM應用的基建工程，整體是非常龐大的，從底向上主要分為四個部分

LangChain Lib 庫：主要包括core/community/experimental等Python庫，源碼位置 langchain-ai/langchain/libs/
LangChain Template 模板庫：主要包括各種可參考和借鑒的LLM生產級別應用，源碼位置 langchain-ai/langchain/templates
LangServe REST服務支持：主要用于將LLM應用部署為REST服務，源碼位置 langchain-ai/langserve
LangSmith 開發者平臺：主要包括LL應用從開發、測試、部署、運維于一體的Devops平臺

(2) LangChain Lib結構

LangChain Lib從底向上主要包括LangChain-Core/LangChain-Community/LangChain(本身)三大部分

LangChain-Core ：LangChain-Core是整個LangChain生態的抽象，比如LangChain Expression Language（LCEL）language models, document loaders, embedding models, vectorstores, retrievers等模塊的抽象，源碼位置 langchain-ai/langchain/libs/core
LangChain-Community ：LangChain-Community是對Core層抽象的實現，比如對LangChain Expression Language（LCEL）language models, document loaders, embedding models, vectorstores, retrievers等模塊抽象的實現，源碼位置 langchain-ai/langchain/libs/community
LangChain ：對LangChain-Community部分進行整合和適配，就構成了LangChain這個單一項目。只通過這一個LangChain項目就可以快速構建LLM應用了，它主要由LLMs and Prompts, Chains, Data Augmented Generation, Agents, Memory組成。源碼位置 langchain-ai/langchain/libs/langchain

(3) 其他部分

這里會簡單概述下LangChain Template、LangServe和LangSmith模塊的應用場景。

LangSmith ：當一個LLM應用越來越復雜的同時，伴隨著的底層實現也越來越復雜。比如越來越多的Chain、Agent等模塊之間的調用也更加復雜化，這時Debug的關鍵性就會顯現出來，這就是LangSmith出現的原因。它雖然不是必須使用的產品，但是絕對會幫助并提高工作的效率。

3. Langchain Lib中的Langchain

在上文的《LangChain Lib結構》中已介紹了Langchain Lib主要由三層組成，所以了解這個架構設計會對后面的理解非常有幫助。無論官方提供的功能操作有多少，多”混亂“，我們也可以時刻找到正確的方向。

本文會主要講解Langchain Lib部分，所以后面提到的Langchain單詞，需要明確知道它不是指一個龐大的Langchain體系，而是特指Langchain Lib中的Langchain，或者代指整個Langchain Lib部分。
為了更簡單的理解，甚至可以把Langchain和Langchain Lib作等同的理解，二者在理解上其實沒有太大的區別。
4. 關于安裝

可以選擇使用一鍵式多環境管理sparrow服務中已經集成的Langchain環境

(1) 安裝Langchain

使用如下命令即可快速安裝Langchain。通過python -m site命令查看langchain的安裝目錄，就會發現它就是上面提到Langchain源碼 langchain-ai/langchain/libs/langchain。
pip install langchain

所以在官網中可以看到，使用下面源碼安裝的方式也可以同樣成功安裝Langchain。

(2) 安裝Langchain-Community

從上文《LangChain Lib結構》可知Langchain是對Langchain-Community的整合和適配。所以在安裝完Langchain后，會自動安裝langchain-community，如果需要單獨安裝，使用下面命令即可
pip install langchain-community(3) 安裝Langchain-Core

從上文《LangChain Lib結構》可知Langchain-Community是對Langchain-Core中抽象的具體實現。所以在安裝完Langchain后，會自動安裝langchain-core，如果需要單獨安裝，使用下面命令即可
pip install langchain-core(4) 安裝Langchain Lib的其他部分

截止2024年2月份，可以看到在Lib中有新增的一些模塊

experimental ：實驗模塊，使用pip install langchain-experimental命令安裝
cli ：命令行模塊，使用pip install langchain-cli命令安裝

(5) 安裝LangServe和LangSmith

LangSmith SDK模塊在安裝完Langchain后也會自動安裝，如果需要單獨安裝，請使用如下命令
pip install langsmithLangServe模塊只有在安裝完Langchain CLI后才會自動安裝（注意不是Langchain），如果需要單獨安裝，請使用如下命令
# 同時安裝客戶端和服務端pip install "langserve[all]"# 僅安裝客戶端pip install "langserve[client]"# 僅安裝服務端pip install "langserve[server]"(6) 安裝其他依賴

建議根據如下提示進行安裝
# 必須安裝pip install langchain-openai # LLM大語言模型必須使用5. 入門例子

在下面這個例子中，主要分為幾個簡單的入門例子

創建LLM ：使用langchain_openai包中的ChatOpenAI()創建一個LLM大語言模型對象
創建Prompt ：使用langchain_core包中的ChatPromptTemplate創建一個Prompt對象
創建Output_parser ：使用langchain_core包中的StrOutputParser()創建一個輸出處理器
使用LCEL語進行鏈式調用：使用或運算符|即可自動實現鏈式調用（基于ror魔法函數實現），如prompt | llm | output_parser

# ==================== 創建LLM并調用 ====================from langchain_openai import ChatOpenAI# 1. 使用系統配置的OPENAI_API_KEY環境變量llm = ChatOpenAI()# 2. 傳遞openai_api_key參數# llm = ChatOpenAI(openai_api_key="")print(llm.invoke("1+1=?"))# ==================== 創建一個復雜的Prompt并使用Chain鏈式調用 ====================from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_messages([ ("system", "You are good at math."), ("user", "{input}")])chain = prompt | llmprint(chain.invoke({"input": "1+1=?"}))# ==================== 創建一個StrOutputParser輸出處理器并加入到Chain中 ====================from langchain_core.output_parsers import StrOutputParseroutput_parser = StrOutputParser()chain = prompt | llm | output_parserprint(chain.invoke({"input": "1+1=?"}))暫時未完...

由于文章篇幅的限制，先告一段落。相信經過上面簡單的介紹之后，相信已經可以對Langchain有了初步的理解，下面會著重用最簡單的描述、最容易理解的圖、最直觀的代碼來深入講解Langchain。
暫時未完，請期待下篇文章《最全面又最淺顯易懂的Langchain快速上手教程（下）》

欧美深夜视频_国产精品99视频_国产精品网站一区_亚洲最大av网

最全面又最淺顯易懂的Langchain快速上手教程（上）