大模型应用开发框架 LangChain 学习笔记

关注

VIP免费原创最新推荐文章于 2026-07-11 19:32:25 发布 3.2k 阅读 AI 写同款· GEO 优化 ›

大模型应用开发框架 LangChain 学习笔记（二） LLMChain。阅读详情

一场关于大模型的战役正在全世界激烈地上演着，国内外的各大科技巨头和研究机构纷纷投入到这场战役中，光是写名字就能罗列出一大串，比如国外的有 OpenAI 的 GPT-4，Meta 的 LLaMa，Stanford University 的 Alpaca，Google 的 LaMDA 和 PaLM 2，Anthropic 的 Claude，Databricks 的 Dolly，国内的有百度的文心，阿里的通义，科大讯飞的星火，华为的盘古，复旦大学的 MOSS，智谱 AI 的 ChatGLM 等等等等。

一时间大模型如百花齐放，百鸟争鸣，并在向各个行业领域渗透，让人感觉通用人工智能仿佛就在眼前。基于大模型开发的应用和产品也如雨后春笋，让人目不暇接，每天都有很多新奇的应用和产品问世，有的可以充当你的朋友配你聊天解闷，有的可以充当你的老师帮你学习答疑，有的可以帮你写文章编故事，有的可以帮你写代码改 BUG，大模型的崛起正影响着我们生活中的方方面面。

正是在这样的背景下，为了方便和统一基于大模型的应用开发，一批大模型应用开发框架横空出世，LangChain 就是其中最流行的一个。

快速开始

正如前文所述，LangChain 是一个基于大语言模型（LLM）的应用程序开发框架，它提供了一整套工具、组件和接口，简化了创建大模型应用程序的过程，方便开发者使用语言模型实现各种复杂的任务，比如聊天机器人、文档问答、各种基于 Prompt 的助手等。根据官网的介绍，它可以让你的应用变得 Data-aware 和 Agentic：

Data-aware：也就是数据感知，可以将语言模型和其他来源的数据进行连接，比如让语言模型针对指定文档回答问题；
Agentic：可以让语言模型和它所处的环境进行交互，实现类似代理机器人的功能，帮助用户完成指定任务；

LangChain 在 GitHub 上有着异乎寻常的热度，截止目前为止，星星数高达 55k，而且它的更新非常频繁，隔几天就会发一个新版本，有时甚至一天发好几个版本，所以学习的时候最好以官方文档为准，网络上有很多资料都过时了（包括我的这篇笔记）。

LangChain 提供了 Python 和 JavaScript 两个版本的 SDK，这里我主要使用 Python 版本的，在我写这篇笔记的时候，最新的版本为 0.0.238，使用下面的命令安装：

1	`$ pip install langchain==0.0.238`

注意：Python 版本需要在 3.8.1 及以上，如果低于这个版本，只能安装 langchain==0.0.27。

另外要注意的是，这个命令只会安装 LangChain 的基础包，这或许并没有什么用，因为 LangChain 最有价值的地方在于它能和各种各样的语言模型、数据存储、外部工具等进行交互，比如如果我们需要使用 OpenAI，则需要手动安装：

1	`$ pip install openai`

也可以在安装 LangChain 时指定安装可选依赖包：

1	`$ pip install langchain[openai]==0.0.238`

或者使用下面的命令一次性安装所有的可选依赖包（不过很多依赖可能会用不上）：

1	`$ pip install langchain[all]==0.0.238`

LangChain 支持的可选依赖包有：

llms = ["anthropic", "clarifai", "cohere", "openai", "openllm", "openlm", "nlpcloud", "huggingface_hub", ... ]

qdrant = ["qdrant-client"]

openai = ["openai", "tiktoken"]

text_helpers = ["chardet"]

clarifai = ["clarifai"]

cohere = ["cohere"]

docarray = ["docarray"]

embeddings = ["sentence-transformers"]

javascript = ["esprima"]

azure = [ ... ]

all = [ ... ]

可以在项目的 pyproject.toml 文件中查看依赖包详情。

入门示例：`LLMs` vs. `ChatModels`

我们首先从一个简单的例子开始：

from langchain.llms import OpenAI

llm = OpenAI(temperature=0.9)

response = llm.predict("给水果店取一个名字")

print(response)

# 果舞时光

LangChain 集成了许多流行的语言模型，并提供了一套统一的接口方便开发者直接使用，比如在上面的例子中，我们引入了 OpenAI 这个 LLM，然后调用 llm.predict() 方法让语言模型完成后续内容的生成。如果用户想使用其他语言模型，只需要将上面的 OpenAI 换成其他的即可，比如流行的 Anthropic 的 Claude 2，或者 Google 的 PaLM 2 等，这里可以找到 LangChain 目前支持的所有语言模型接口。

回到上面的例子，llm.predict() 方法实际上调用的是 OpenAI 的 Completions 接口，这个接口的作用是给定一个提示语，让 AI 生成后续内容；我们知道，除了 Completions，OpenAI 还提供了一个 Chat 接口，也可以用于生成后续内容，而且比 Completions 更强大，可以给定一系列对话内容，让 AI 生成后续的回复，从而实现类似 ChatGPT 的聊天功能。