Langchain框架的基础介绍

LangChain是一个用于构建基于大型语言模型（LLM）应用程序的开源框架。它提供了一系列工具和组件，帮助开发者更高效地利用语言模型的能力，构建复杂的AI应用。以下是LangChain框架的核心概念和功能：

1. 核心组件

• Models（模型）：支持多种LLM接口，包括OpenAI、Anthropic等主流模型，也支持本地部署的模型。
• Prompts（提示）：提供模板化提示管理，支持动态变量插入，比如用户输入或上下文数据。
• Memory（记忆）：支持短期和长期记忆存储，让模型在对话中保持上下文连贯性。
• Indexes（索引）：集成向量数据库和文档检索功能，支持高效的知识库查询。
• Chains（链）：通过预定义的工作流将多个模型调用串联起来，完成复杂任务。

2. 典型应用场景

• 智能问答系统：结合知识库检索和语言模型生成能力，构建精准的问答服务。
• 文档总结工具：自动分析长文档并生成简洁摘要。
• 代码辅助工具：帮助开发者理解、生成和优化代码。
• 个性化聊天机器人：通过记忆功能实现个性化对话体验。

3. 使用示例（Python）

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
# 初始化模型
llm = OpenAI(model_name="text-davinci-003")
# 创建提示模板
prompt = PromptTemplate(
    input_variables=["product"],
    template="为{product}写一段50字的产品描述"
)
# 运行链式调用
formatted_prompt = prompt.format(product="智能手表")
response = llm(formatted_prompt)
print(response)

4. 扩展功能

• Agents（代理）：让模型能够动态选择工具和决策执行路径
• Callbacks（回调）：提供执行过程中的钩子函数，方便监控和记录
• Evaluation（评估）：内置多种评估方法，帮助测试模型表现

5. 生态系统

LangChain支持与主流技术栈集成，包括：

• 向量数据库（Pinecone、Weaviate）
• 云服务（AWS、GCP）
• 开发工具（LangSmith、LangServe）

Langchain模型调用的分类整理

按照模型功能分类

非对话模型
适用于生成文本、补全内容等非交互场景。示例代码调用OpenAI类生成关于春天的诗歌：

import os
import dotenv
from langchain_openai import OpenAI

dotenv.load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("GUIJI_KEY")
os.environ["OPENAI_BASE_URL"] = os.getenv("GUIJI_URL")

llm = OpenAI(model='deepseek-ai/DeepSeek-V3.2-Exp')
response = llm.invoke("写一首关于春天的诗")
print(response)

对话模型
适用于多轮交互场景，需构造消息列表（包含系统消息和用户消息）。示例调用ChatOpenAI类：

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage

chat_model = ChatOpenAI(model='deepseek-ai/DeepSeek-V3.2-Exp')
messages = [
    SystemMessage(content='我是你的智能菜谱厨师，我叫马飞龙'),
    HumanMessage(content='你好，我是王法帝，很高兴认识你')
]
response = chat_model.invoke(messages)
print(response.content)

嵌入模型
用于文本向量化，示例调用OpenAIEmbeddings类：

from langchain_openai import OpenAIEmbeddings

embeddings_model = OpenAIEmbeddings(model='Qwen/Qwen3-Embedding-0.6B')
res1 = embeddings_model.embed_query(r"./plot.py")
print(res1)

---

按照参数配置方式分类

硬编码方式
直接在代码中写入API密钥和模型参数，灵活性差。

环境变量
通过.env文件管理敏感信息，示例：

import os
dotenv.load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("GUIJI_KEY")

配置文件
推荐使用YAML或JSON文件集中管理配置，便于维护和扩展。

---

按照API提供方分类

LangChain API
LangChain API 是一个强大的工具链框架，它集成了多种主流语言模型（如GPT、Claude等），为开发者提供统一的调用接口。通过抽象底层模型差异，开发者可以用相同的代码风格调用不同厂商的模型服务。例如，在Python中只需简单几行代码即可完成模型调用，无需关心各个模型API的具体实现细节。该API特别适合需要快速切换或对比不同模型效果的场景，也降低了多模型管理的复杂度。

官方OpenAI API
这是由OpenAI官方提供的原生接口服务，开发者需要按照OpenAI的API规范直接发送HTTP请求。与封装接口不同，官方API需要开发者自行处理请求构造、错误重试、响应解析等底层细节。典型调用流程包括：设置API密钥、构建符合OpenAI格式的请求体、处理返回的JSON数据。虽然灵活性更高，但开发复杂度也相应增加，适合对OpenAI模型有深度定制需求的场景。

第三方平台API
指各类提供AI模型服务的第三方云平台（如AWS Bedrock、阿里云等）开放的API接口。这类API需要严格遵循对应平台的文档规范，包括但不限于：特殊的鉴权方式（如AK/SK认证）、定制的请求头、平台特有的参数格式等。每个平台的调用方式可能存在显著差异，开发者需要仔细阅读官方文档，部分平台还会提供SDK来简化调用过程。这类接口适合已经使用特定云服务的企业集成AI能力。