Langchain LLM

【动手学Langchain】初级篇1-初识Langchain与环境安装

Posted by Orchid on February 18, 2025

初识 Langchain

Langchain，一个能够轻松、高效地构建 LLM 应用的工具。

为什么需要 Langchain

Langchain 是一个用于开发LLM应用的集成架构，它为开发者提供了一系列的工具和组件，使得与语言模型中的各种数据的连接、应用和优化变得简单直接。

同时 Langchain 在开发者社区中的受欢迎程度逐渐上升，表现出了极大的实用性和潜力。

Langchain 的功能特点

  • 简洁性。开发者只需要几行代码就能构建一个LLM 程序
  • 为开发者提供了丰富的内置链组件。解决了重复编写代码的问题，简化了开发流程。
  • 可以实现RAG技术，实现LLM与真实世界的在线数据增强。
  • 提示词模板。可以使用官方提供的，也可以自定义创建，实现与各种应用和工具的紧密集成。

Langchain 的六大核心模块

  1. 模型 I/O（Model I/O）
    • 功能：标准化语言模型的输入和输出，包括输入提示的构建、模型调用以及输出的解析。LangChain 提供了提示模板（Prompt Template）来生成高质量的输入提示，支持动态参数替换和格式校验。此外，通过输出解析器，可以将模型的非结构化输出转换为结构化数据，方便后续处理。
  2. 链（Chains）
    • 功能：将多个操作步骤串联成复杂的工作流，支持动态适应输入内容。链是 LangChain 中用于构建多步骤任务的核心模块，可以将语言模型调用、工具操作等组合在一起，实现自动化流程。
  3. 数据增强（Data Augmentation）
    • 功能：通过检索外部数据（如文档、数据库）并将其传递到语言模型中，增强模型的输出质量。这一模块通常结合检索增强生成（Retrieval-Augmented Generation, RAG）技术，提升回答的准确性和相关性。
  4. 记忆（Memory）
    • 功能：用于存储和管理对话上下文，支持短期记忆（会话内存储）和长期记忆（跨会话存储）。记忆模块可以帮助模型更好地理解上下文信息，从而生成更连贯的对话。
  5. 代理（Agents）
    • 功能：代理通过语言模型动态选择和执行一系列操作，以完成复杂任务。代理的核心是工具（Tools）的调用，这些工具可以执行特定功能（如数据库查询、API 调用等）。代理的工作流程包括输入理解、计划制定、工具调用、结果整合和反馈循环。
  6. 回调处理器（Callbacks）
    • 功能：回调处理器是 LangChain 的回调机制的核心组件，用于在任务执行过程中监听特定事件并触发预定义的操作。例如，可以用于日志记录、监控、流式传输等。

这些模块共同构成了 LangChain 的核心架构，使得开发者能够灵活地构建复杂的语言处理应用。

开发环境搭建

  1. 创建虚拟环境

    为了避免与系统 Python 环境冲突，建议创建一个虚拟环境。这里使用 conda：

    1
2

    conda create -n langchain python=3.9
conda activate langchain

  2. 安装 Langchain

    安装 LangChain 的核心库和社区扩展库：

    1
2

    pip install langchain
pip install langchain-community

    如果使用第三方封装的大语言模型，如通义千问，需要安装额外依赖，不同的大语言模型需要不同的依赖。通义千问：

    1

    pip install dashscope

    如果需要安装特定的集成包，如 Deepseek，可以安装额外依赖：

    1

    pip install langchain-deepseek

  3. 配置 API 密钥

    • 通义千问

      • API 密钥获取：阿里云百炼

      • API 配置：

        1
2

        import os
os.environ["DASHSCOPE_API_KEY"] = 'sk-xx'

    • Deepseek

      • API 密钥获取：DeepSeek 开放平台

      • API 配置：

        1
2

        import os
os.environ["DEEPSEEK_API_KEY"] = 'sk-xx'

  4. 验证安装

    • 通义千问

      模型列表_大模型服务平台百炼(Model Studio)-阿里云帮助中心

      1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

      from langchain_community.chat_models import ChatTongyi
import os
os.environ["DASHSCOPE_API_KEY"] = 'sk-xx'
     
tongyi_chat = ChatTongyi(
    model="qwen-max",
)
     
messages = [
    ("system", "你是一名专业的翻译家，可以将用户的中文翻译为英文。"),
    ("human", "我喜欢编程。"),
]
response = tongyi_chat.invoke(messages)
     
print(response.content)

    • Deepseek

      1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

      from langchain_deepseek import ChatDeepSeek
import os
os.environ["DEEPSEEK_API_KEY"] = 'sk-xx'
     
deepseek_chat = ChatDeepSeek(
    model="deepseek-chat",
)
     
messages = [
    ("system", "你是一名专业的翻译家，可以将用户的中文翻译为英文。"),
    ("human", "我喜欢编程。"),
]
response = tongyi_chat.invoke(messages)
     
print(response.content)
CATALOG