一、LangChain简介 #

LangChain 是一个用于构建基于大语言模型（LLM）的应用开发框架，极大简化了对话机器人、智能问答、智能体（Agent）等复杂场景的开发流程。它支持多种主流大模型（如OpenAI、ChatGLM等），并提供了丰富的链式组件和工具集。

二、安装方法 #

介绍如何安装LangChain及其依赖。

# 安装LangChain主库
pip install langchain
# 推荐安装OpenAI等大模型依赖
pip install openai

三、核心概念 #

本节介绍LangChain的核心组成部分。

链（Chain）：将多个LLM调用、工具、数据流等串联起来，形成复杂的处理流程。
工具（Tool）：可被Agent调用的外部能力，如搜索、计算、数据库查询等。
Agent（智能体）：具备自主决策能力的智能体，可以根据任务动态选择链或工具。
Memory（记忆）：用于保存对话历史或上下文信息，实现有记忆的对话。
Prompt（提示词）：与大模型交互的输入模板。

四、常见用法 #

介绍LangChain的典型应用场景和基本用法。

1. 基础对话 #

展示如何用LangChain实现最简单的对话。 `python

导入OpenAI LLM模块 #

from langchain.llms import OpenAI

创建OpenAI LLM对象，需替换为你的API密钥 #

llm = OpenAI(openai_api_key="你的API密钥")

发送简单对话请求 #

response = llm("你好，LangChain！")

输出模型回复 #

print(response)


### 2. 构建链式流程
> 展示如何用Prompt和LLMChain实现链式推理。
```python
# 导入链相关模块
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI

# 定义提示词模板
prompt = PromptTemplate(
    input_variables=["product"],
    template="请用一句话介绍{product}的优点。"
)

# 创建OpenAI LLM对象
llm = OpenAI(openai_api_key="你的API密钥")

# 构建链对象
chain = LLMChain(llm=llm, prompt=prompt)

# 执行链式推理，传入参数
result = chain.run({"product": "LangChain"})

# 输出结果
print(result)

3. Agent与工具调用 #

展示如何让Agent自动选择工具完成复杂任务。 `python

导入Agent和工具模块 #

from langchain.agents import load_tools, initialize_agent from langchain.llms import OpenAI

创建OpenAI LLM对象 #

llm = OpenAI(openai_api_key="你的API密钥")

加载内置工具（如搜索、计算器等） #

tools = load_tools(["serpapi", "llm-math"], llm=llm)

初始化Agent，指定工具和LLM #

agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

让Agent自动选择工具完成任务 #

result = agent.run("帮我查一下北京天气，并计算明天比今天高5度是多少摄氏度")

输出结果 #

print(result)


### 4. 有记忆的对话
> 展示如何实现带记忆的多轮对话。
```python
# 导入对话链和记忆模块
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain.llms import OpenAI

# 创建OpenAI LLM对象
llm = OpenAI(openai_api_key="你的API密钥")

# 创建对话记忆对象
memory = ConversationBufferMemory()

# 构建有记忆的对话链
conversation = ConversationChain(llm=llm, memory=memory)

# 连续对话，第一轮
print(conversation.predict(input="你好"))
# 连续对话，第二轮
print(conversation.predict(input="我刚才说了什么？"))

五、生态与扩展 #

LangChain 拥有丰富的生态系统，支持多种大模型（OpenAI、Azure、ChatGLM、百度文心等），并可集成向量数据库（如FAISS、Chroma）、搜索引擎、知识库、RAG等。

LangChain Hub：社区共享的链、Agent、Prompt模板。
LangServe：将链/Agent快速部署为API服务。
LangSmith：用于链路调试和监控的可视化平台。

六、应用场景 #

LangChain 适用于以下典型场景：

智能对话机器人
智能问答系统（RAG）
智能体（Agent）自动化办公
多工具协作（如搜索+计算+数据库）
复杂业务流程自动化
具备记忆的多轮对话

七、参考资料 #

推荐学习和查阅的LangChain相关资料。

官方文档：https://python.langchain.com.cn/
LangChain Hub：https://hub.langchain.com/
LangChain GitHub：https://github.com/langchain-ai/langchain
LangChain 中文社区：https://langchain.com.cn/