【每天一个知识点】LangChain

作者：CSDN博客
“LangChain” 是一个用于构建由大语言模型（LLMs）驱动的可组合、可交互、多工具协作的智能应用开发框架。它不仅能管理 Prompt、上下文、记忆和工具，还支持构建复杂的“多步骤推理”任务流程。

---

一、LangChain 简介

1. 核心定位

LangChain 旨在把大语言模型作为决策引擎和控制中枢，支持你快速构建像 ChatGPT 插件、智能问答系统、智能体（Agent）等复杂任务应用。
2. 编程语言支持

主要支持 Python 和 JavaScript/TypeScript 两种语言版本，社区主要以 Python 为主。

---

二、LangChain 主要组成模块（Python版）

模块	作用描述
PromptTemplates	提示词模板构建与变量注入，适配不同任务语境
LLMs/ChatModels	封装 OpenAI、Anthropic、Cohere 等模型
Chains	把多个组件串联起来构成完整流程（如提问 → 搜索 → 回答）
Agents	引入“工具调用”能力，通过思考和行动完成任务（如 ReAct Agent）
Tools	第三方工具，如搜索引擎、Python 解释器、API 接口
Memory	会话记忆，适用于多轮对话场景
Retrievers	向量检索组件，支持 RAG 应用
Document Loaders & Text Splitters	文档读取与分块，用于知识库构建

---

三、典型使用场景

1. 文档问答系统（RAG）

流程：文档 → 向量化 → 查询 → LLM 生成回答
模块：Document Loaders + FAISS/Chroma + Retriever + Chain

2. Agent 多工具智能体

通过 ReAct Agent 实现“观察-思考-行动”闭环
可调用：Google 搜索、Python 执行、网页抓取、数据库查询等

3. 任务编排（Multi-step Reasoning）

使用 SequentialChain、RouterChain、ConversationChain 等模块完成复杂任务分解与流程管理

---

四、LangChain 示例代码（RAG 简易文档问答）

1. from langchain.chains import RetrievalQA
2. from langchain.chat_models import ChatOpenAI
3. from langchain.vectorstores import FAISS
4. from langchain.embeddings import OpenAIEmbeddings
5. from langchain.document_loaders import TextLoader
6. from langchain.text_splitter import CharacterTextSplitter
8. # 加载文档并切分
9. loader = TextLoader("example.txt")
10. documents = loader.load()
11. text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
12. texts = text_splitter.split_documents(documents)
14. # 构建向量库
15. embeddings = OpenAIEmbeddings()
16. db = FAISS.from_documents(texts, embeddings)
18. # 构建问答系统
19. retriever = db.as_retriever()
20. llm = ChatOpenAI(temperature=0)
21. qa = RetrievalQA.from_chain_type(llm=llm, retriever=retriever)
23. # 测试提问
24. query = "这篇文档讲了什么？"
25. response = qa.run(query)
26. print(response)

复制代码

---

五、LangChain 与智能体系统的关系

特性	LangChain 实现方式
工具调用	通过 Tools 与 AgentExecutor 完成
思维链推理（Chain of Thought）	通过 Chain 的分步提示构建多轮逻辑链
多Agent协同	支持 MultiAgentChain 和外部任务调度引擎集成
RAG 问答	与向量数据库 + Retriever 高度集成

原文地址：https://blog.csdn.net/dundunmm/article/details/148291753