AI-NEWS

Appearance

LangChain 概览 ​

🎯 学习目标

  • 理解 LangChain 在 LLM 应用栈中的位置：连接模型、数据与工具
  • 认识 Model I/O、Data Connection、Chain、Agent 四大模块
  • 能判断何时用 LangChain 拼装原型、何时直连 SDK

引言 ​

LangChain 不是大模型本身，而是应用层胶水框架：把 ChatModel、Prompt、文档加载、向量检索、工具调用串成可复用的流水线。本课建立全局地图，后续各节再深入每个模块。

章节正文 ​

第 1 步：LangChain 解决什么问题 ​

在企业 LLM 应用中，你反复遇到相同模式：

  • 同一套 Prompt 模板要在多个接口复用
  • PDF / Markdown 要加载、切分、Embedding、入库
  • 用户问题要先检索再生成
  • Agent 要循环调用工具并维护状态

如果每次手写 fetch + 字符串拼接，很快会陷入重复代码与难以测试的困境。LangChain 提供统一抽象：

模块职责
Model I/O统一 OpenAI、Anthropic、Ollama 等 ChatModel 接口
Prompt Template可组合、可版本化的提示词模板
Output Parser把模型输出解析为 JSON、Pydantic 对象
Data ConnectionLoader、Splitter、VectorStore 一条龙
Chain / LCEL用管道组合上述组件
AgentReAct / Tool Calling 循环

LangGraph（6.6 专讲）是 LangChain 团队的状态图扩展，适合复杂 Agent 与人工审批节点。

第 2 步：最小可运行示例：三行链式调用 ​

安装（Python）：

bash
pip install langchain langchain-openai
export OPENAI_API_KEY=sk-...
python
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是简洁的技术助手，用中文回答。"),
    ("human", "{question}"),
])
chain = prompt | ChatOpenAI(model="gpt-4o-mini") | StrOutputParser()

print(chain.invoke({"question": "用一句话解释 RAG"}))

这里的 | 就是 LCEL（6.3 详讲）：左边输出自动成为右边输入。

第 3 步：与 RAG、Agent 的关系 ​

RAG 链典型形态：

Retriever → format_docs → prompt | llm | parser

Agent 典型形态：

create_react_agent(llm, tools) → AgentExecutor → stream

LangChain 的价值在于这些模式有现成组件；代价是抽象层较厚，升级版本时需关注 breaking changes。

第 4 步：LangChain.js 与 Python 版本 ​

本课程示例以 Python 为主（生态最完整），Node 侧对应包为 @langchain/core、@langchain/openai 等，LCEL 语法与 Python 高度一致：

typescript
import { ChatOpenAI } from "@langchain/openai"
import { ChatPromptTemplate } from "@langchain/core/prompts"
import { StringOutputParser } from "@langchain/core/output_parsers"

const chain = prompt.pipe(model).pipe(new StringOutputParser())
await chain.invoke({ question: "..." })

全栈项目常见分工：Python 做 RAG 索引与批处理，Node/Next.js 做 API 与流式 UI（可配合 Vercel AI SDK，见 6.7）。

动手练习 ​

  1. 安装 langchain 与 langchain-openai，跑通上面的三行链
  2. 把 system 提示改成「只输出 JSON：{answer, confidence}」，观察输出格式变化（Parser 留到 6.4）
  3. 列出你当前项目里 3 个适合用 Chain 封装的重复逻辑

常见问题 ​

Q：LangChain 会不会过度设计？

简单 Chat 接口不必引入；当 RAG、多工具 Agent、多模型切换同时出现时，框架能显著减少胶水代码。见 6.7 选型表。

Q：必须用 LangSmith 吗？

不必。LangSmith 是官方观测产品；自建日志、OpenTelemetry 或 promptfoo 也可满足 Eval/Trace 需求（第 7 模块）。

本节小结 ​

LangChain 是应用层框架，核心模块覆盖 Model I/O、Prompt、Parser、数据连接、Chain 与 Agent。用 LCEL 管道可快速拼装 RAG 与对话链；复杂状态机交给 LangGraph。