AI创想

标题: LangChain介绍与核心包 [打印本页]

---

作者: kkkzxt    时间: 3 天前
标题: LangChain介绍与核心包
作者：CSDN博客
LangChain系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 LangChain 简介和核心包；第二章 LangChain 提示词工程；第三章 LangChain 工作流

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录

LangChain系列文章目录前言LangChain介绍与核心包一、LangChain简介

1.LangChain特性2.LangChain框架组成3.LangChain(Libraries)库组成4.langchain任务处理流程5.核心概念6.应用场景

二、LangChain核心包安装

1.LangChain生态系统是由多个不同的包组成2.LangChain：3.LangChain-core4.LangChain-community5.LangGraph6.LangChain-cli7.LangServe8.LangSmith9.LangChain-experimental

三、LangChain第三方包安装

1.langchain-openai包2.langchain-chroma包3.FAISS包4.Transformers框架5.langchain-huggingface包只需单独支持Embedding模型6.Redis包7.使用通义千问API模型8.langchain-ollama包

四、LangChain简易操作

1.安装LangChain2.初始化模型3.使用LLM 构建简单的链（chains）4.输出转换

五、LangChain/LangGraph更新接口

1.LangChain的hub接口更新：2.LangChain的create_react_agent和AgentEXecutor接口更新：3.LangChain的text_splitter接口更新：4.LangChain的TavilySearch接口更新：5.LangGraph的AgentState状态结构体废弃：

总结

---

前言

提示：这里可以添加本文要记录的大概内容：
本文主要整理 LangChain 的简介、框架组成、核心概念、核心包安装、第三方包安装、简易操作，以及 LangChain/LangGraph 新旧接口更新等内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考
LangChain介绍与核心包

一、LangChain简介

1.LangChain特性

LLM和提示（Prompt）：LangChain对所有LLM大模型进行了API抽象，统一了大模型访问API，同时提供了Prompt提示模板管理机制。链（Chain）：Langchain对一些常见的场景封装了一些现成的模块，例如：基于上下文信息的问答系统，自然语言生成SQL查询等等，因为实现这些任务的过程就像工作流一样，一步一步的执行，所以叫链（chain）。LCEL：LangChain Expression Language (LCEL)，langchain新版本的核心特性，用于解决工作流编排问题，通过LCEL表达式，可以灵活的自定义AI任务处理流程，也就是灵活自定义链(Chain)。数据增强生成（RAG）：因为大模型（LLM）不了解新的信息，无法回答新的问题，所以可以将新的信息导入到LLM，用于增强LLM生成内容的质量，这种模式叫做RAG模式(Retrieval Augmented Generation)。Agents：是一种基于大模型（LLM）的应用设计模式，利用LLM的自然语言理解和推理能力（LLM作为大脑)），根据用户的需求自动调用外部系统或设备共同去完成任务，例如：用户输入“明天请假一天”，大模型（LLM）自动调用请假系统，发起一个请假申请。模型记忆（memory）：让大模型（llm）记住之前的对话内容，这种能力。

2.LangChain框架组成

LangChain库：Python和JavaScript库。包含接口和集成多种组件的运行时基础，以及现成的链和代理的实现。LangChain模板：Langchain官方提供的一些AI任务模板。LangServe：基于FastAPI可以将Langchain定义的链 (Chain)，发布成为REST API。LangSmith：开发平台，是个云服务，支持Langchain debug、任务监控。

3.LangChain(Libraries)库组成

langchain-core：基础抽象和LangChain表达语言。langchain-community：第三方集成，主要包括langchain集成的第三方组件。langchain：主要包括链（chain）、代理（agent）和检索策略。

4.langchain任务处理流程

langChain提供一套提示词模板（prompt template）管理工具，负责处理提示词，然后传递给大模型处理，最后处理大模型返回的结果。

• LangChain对大模型的封装主要包括LLM和Chat Model两种类型。
  
  LLM - 问答模型，模型接收一个文本输入，然后返回一个文本结果。Chat Model - 对话模型，接收一组对话消息，然后返回对话消息，类似聊天消息一样。
  
  
  (, 下载次数: 0)
  上传
  点击文件名下载附件
  
  
  
  

5.核心概念

LLMs：LangChain封装的基础模型，模型接收一个文本输入，然后返回一个文本结果。Chat Models：聊天模型（对话模型），与LLMs不同，聊天模型专为对话场景而设计。模型可以接收一组对话消息，然后返回对话消息，类似聊天消息一样。消息（Message）：聊天模型（Chat Models）的消息内容，消息类型包括包括HumanMessage、AIMessage、SystemMessage、FunctionMessage和ToolMessage等多种类型的消息。提示（prompts）：LangChain封装了一组专门用于提示词（prompts）管理的工具类，方便格式化提示词（prompts）内容。输出解析器（Output Parsers）：Langchain接受大模型（llm）返回的文本内容之后，可以使用专门的输出解析器对文本内容进行格式化，解析成json格式、xml格式或者python对象。Retrievers：为了将私有数据导入到大模型（LLM）, 提高模型回答问题的质量，LangChain封装了检索框架（Retrievers），用于加载文档数据、切割文档数据、存储和检索文档数据。向量存储（Vector stores）：为支持私有数据的语义相似搜索，langchain支持多种向量数据库。Agents：智能体（Agents）是指以大模型（LLM）作为决策引擎，根据用户输入的任务，自动调用外部系统或硬件设备共同完成用户的任务，是一种以大模型（LLM）为核心的应用设计模式。

6.应用场景

对话机器人：构建智能的对话助手、客服机器人、聊天机器人等。知识库问答：结合知识图谱, 进行开放域问题的问答服务。智能写作：如文章写作、创意写作、文本摘要等。

二、LangChain核心包安装

1.LangChain生态系统是由多个不同的包组成

LangChain与各种模型提供商、数据存储等的集成。默认情况下，所需的依赖项不会自动安装，需要单独安装这些依赖项。

• 生态系统包
  
  除了langSmith外，LangChain生态系统中的所有包都依赖于langchain-core，其中包含基础类和抽象概念。包间的依赖关系：
  
  
  (, 下载次数: 0)
  上传
  点击文件名下载附件
  
  
  在安装某个包时，无需显式安装该包的依赖（例如langchain-core）。但是，如果需要使用特定版本的依赖中的某一特性，也可以选择手动安装。需要确保与使用的其他集成包的版本兼容。
  
  
  

2.LangChain：

主程序包

• 安装
  
  Pip安装：pip install langchainConda安装：conda install langchain -c conda-forge
  
  
  
• langchain版本查询
  
  20260220版本为1.2.10
  
  
  

代码

1. import langchain
2. import langchain_core
4. print("LangChain 主包版本：", langchain.__version__)print("LangChain Core 版本：", langchain_core.__version__)

复制代码

结果

1. LangChain 主包版本： 1.2.10
2. LangChain Core 版本： 1.2.14

复制代码

3.LangChain-core

langchain-core包包含了LangChain生态系统的基础抽象和表达语言。这是langchain自动安装的，不过也可以单独使用。安装：pip install langchain-core

4.LangChain-community

langchain-community包包含第三方集成。安装：pip install langchain-community

5.LangGraph

langGraph是一个用于构建有状态、多参与者应用程序的库，与LangChain无缝集成，但也可以独立使用。安装：pip install langgraph

• langGraph版本查询
  
  20260220版本为1.0.9
  
  
  

代码

1. from importlib.metadata import version, PackageNotFoundError
2. try:
3.     v = version("langgraph")except PackageNotFoundError:import langgraph
4.     v =getattr(langgraph,"__version__","unknown")print("当前langgraph版本：", v)

复制代码

结果

1. 当前langgraph版本： 0.6.4

复制代码

6.LangChain-cli

LangChain-cli用于处理LangChain模板和其他LangServe项目。安装：pip install langchain-cli

7.LangServe

LangServe帮助开发者将LangChain可运行项和链部署为REST API。LangServe通过LangChain CLI会自动安装。

• 如果不使用LangChain CLI，可命令安装：
  
  包括客户端和服务器端依赖安装：pip install langserve[all]只客户端安装：pip install langserve[client]只服务端安装：pip install langserve[server]
  
  
  

8.LangSmith

LangSmith SDK由LangChain自动安装。但它不依赖于langchain-core，可以独立安装和使用。如果不使用LangChain，可命令安装：pip install langsmith

9.LangChain-experimental

langchain-experimental包用于实验性代码，适用于研究和实验用途。安装：pip install langchain-experimental

三、LangChain第三方包安装

1.langchain-openai包

能够使用openai接口（或openai接口格式），读取该格式模型。安装langchain-openai包：pip install langchain-openailangchain-openai包能够使用硅基流动API。

代码

1. from langchain_openai import ChatOpenAI
3. llm = ChatOpenAI(
4.     model='Pro/deepseek-ai/DeepSeek-V3',
5.     openai_api_key="************",
6.     openai_api_base='https://api.siliconflow.cn/v1',
7.     temperature=0.7,
8.     max_tokens=8000)
9. response = llm.invoke("帮我写一篇关于AI的技术文章，100个字")print(response.content)

复制代码

2.langchain-chroma包

能够使用chroma，作为向量数据库。langchain-chroma库包括了chroma库。安装：pip install langchain-chroma导入：from langchain_chroma import Chroma

• 独立版本Chroma（旧）
  
  之前在LangChain中使用Chroma，是需要安装独立版本的Chroma。独立版本Chroma将在LangChain 1.0彻底移除，改为使用langchain-chroma库。所以LangChain或LangGraph都应该使用langchain-chroma库。独立版本Chroma安装：pip install chromadb独立版本导入：from langchain_community.vectorstores import Chroma
  
  
  

3.FAISS包

能够使用faiss，作为向量数据库。安装包有两个版本：cpu或gpu。安装cpu版本：pip install faiss-cpu安装gpu版本（Windows不支持）：pip install faiss-gpu

4.Transformers框架

• 使用huggingface的transformers的模型。可使用githug上的transformers下载安装，可参考《transformer》章节。也可以以下安装：
  
  先下载pytorch：
  
  
  

1. pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

复制代码

直接安装最新版本transformers：pip install -U transformers需要安装SentencePiece：pip install sentencepiece需要安装transformers_stream_generator：

1. pip install transformers_stream_generator

复制代码

需要安装加速库accelerate：pip install accelerate使用hugging face本地Embedding模型需要安装SentenceTransformers库

1. pip install sentence_transformers

复制代码

• 可选安装Transformers框架的LoRA技术（建议安装）
  
  也就是模型能使用load_in_8bit=True参数需要的库：量化用的bitsandbytes库，低秩适配器loralib库，PEFT库。下载安装bitsandbytes datasets loralib库：
  
  
  

1. pip install bitsandbytes datasets loralib

复制代码

下载安装最新版本PEFT库：pip install -U peft

• 可选安装Transformers框架对GPTQ模型的本地化支持（建议安装）
  
  也是hugging face下载的safetensors或bin模型。但是指明了是GPTQ。安装AutoGPTQ代码库和optimum：pip install optimum在Transformers中运行GPTQ模型与其他safetensors或bin模型一样
  
  
  
• 需要安装langchain-huggingface包
  
  使得langchain能够使用huggingface提供的模型。
  
  
  

1. pip install langchain-huggingface

复制代码

5.langchain-huggingface包只需单独支持Embedding模型

• 如果不安装Transformers框架，只使用huggingface提供的Embedding模型。
  
  如果安装了Transformers框架，是已经包括了Embedding模型的支持。langchain-huggingface库包括了huggingface的大部分库。
  
  
  
• 安装GPU版本：
  
  langchain-huggingface里的HuggingFaceEmbeddings本质上就是对Sentence Transformers/Hugging Face模型加载的一层LangChain封装。封装层级：
  
  
  

代码

1. LangChain接口层
2.    ↓
3. HuggingFaceEmbeddings
4.    ↓
5. sentence-transformers
6.    ↓
7. PyTorch
8.    ↓
9. CUDA / CPU

复制代码

• 确保安装的是GPU版本的langchain-huggingface步骤
  
  1 安装GPU版PyTorch（1 2步可参考《SentenceTransformers库》）：
  
  
  

1. pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

复制代码

1. - 2 安装SentenceTransformers：pip install sentence-transformers
2. - 3 安装langchain-huggingface：pip install langchain-huggingface

复制代码

• 安装CPU版本：
  
  如无需确保GPU版可直接安装：pip install langchain-huggingface
  
  
  
• 其他依赖
  
  hf_xet是Hugging Face提供的一个优化包，用于加速模型的下载和存储。可以下载也可以不下载。
  
  
  
• 自动安装的模型保存目录
  
  Windows目录：C:\Users{用户名}.cache\huggingface\hubLinux目录：~/.cache/huggingface/hub
  
  
  
• 示例
  
  cache_folder参数，可以指定模型保存目录model_kwargs参数的local_files_only，是否只用本地文件，不下载。model_kwargs参数的trust_remote_code，是否允许模型执行其自定义代码，这是加载该模型所必需的model_kwargs参数的device，是否使用cpu或cuda，默认cpu。
  
  
  

代码

1. from langchain_huggingface import HuggingFaceEmbeddings
3. llm_emb = HuggingFaceEmbeddings(
4.     model_name="all-MiniLM-L6-v2",
5.     cache_folder="D:/python/envs/langchain2/hfmodel",
6.     model_kwargs={"local_files_only":True,"device":"cpu",},)

复制代码

model_name参数，可以指定模型名称，当指定路径时，就是指定本地模型路径

代码

1. from langchain_huggingface import HuggingFaceEmbeddings
3. llm_emb = HuggingFaceEmbeddings(
4.     model_name="D:/python/envs/langchain2/hfmodel/sentence-transformers/all-MiniLM-L6-v2",)

复制代码

6.Redis包

外部需要已有的redis服务。内部安装redis的python操作库：pip install redis

7.使用通义千问API模型

安装tongyi库：pip install tongyi安装dashscope库：pip install dashscope

8.langchain-ollama包

使用ollama接口，就要安装langchain-ollama包

1. pip install langchain_ollama

复制代码

四、LangChain简易操作

1.安装LangChain

安装LangChain：pip install langchain安装LangChain-openai：pip install langchain-openai

2.初始化模型

• 在LangChain使用OpenAI接口需要导入OpenAI包，并设置API密钥作为环境变量或直接传递给OpenAI LLM类。
  
  将API密钥设置为环境变量：export OPENAI_API_KEY=“************”
  
  然后，初始化模型：
  

代码

1. from langchain_openai import ChatOpenAI
2. llm = ChatOpenAI()

复制代码

3.使用LLM 构建简单的链（chains）

通过提示模板（prompt template）生成提示词，用于向模型发送prompt。使用|链接prompt和LLM模型，返回链条使用链条的invoke()方法，传入问题作为参数，返回问题答案。

代码

1. from langchain_core.prompts import ChatPromptTemplate
3. # 创建一个提示模板prompt template# 消息模板定义两条消息，system消息告诉模型扮演的角色，user消息代表用户输入的问题# 用了一个占位符{input} 代表接受一个模版参数input。
4. prompt = ChatPromptTemplate.from_messages([("system","你是世界级的技术专家"),("user","{input}")])# 基于LCEL表达式构建LLM链，lcel语法类似linux的管道语法|，从左到右按顺序执行# 编排了一个简单的工作流：# 首先执行prompt完成提示词模板(prompt template)格式化处理# 然后将格式化后的prompt传递给llm模型执行，最终返回llm执行结果
5. chain = prompt | llm
7. # 调用LLM链并设置模板参数input# invoke会把调用参数传递给prompt提示模板，开始chain定义的步骤开始逐步执行。
8. chain.invoke({"input":"帮我写一篇关于AI的技术文章，100个字"})

复制代码

4.输出转换

链的默认输出是对象。可以使用输出解析器，将LLM输出的消息转换为字符串。

代码

1. from langchain_core.output_parsers import StrOutputParser
3. # 创建一个字符串输出解析器
4. output_parser = StrOutputParser()# LLM链的最后一步将llm模型输出的结果传递给output_parser进行格式转换
5. chain = prompt | llm | output_parser
7. # 调用LLM链并提出问题
8. chain.invoke({"input":"帮我写一篇langchain的技术文章，100个字"})

复制代码

五、LangChain/LangGraph更新接口

1.LangChain的hub接口更新：

新版本LangChain已经弃用了hub。改在langsmith库中获取。

旧代码

1. from langchain import hub
2. prompt = hub.pull("hwchase17/react")

复制代码

新代码

1. from langsmith import Client
2. client = Client()
3. prompt = client.pull_prompt("hwchase17/react")

复制代码

2.LangChain的create_react_agent和AgentEXecutor接口更新：

• 新版本LangChain已经弃用了create_react_agent, AgentExecutor。
  
  如需使用需要旧方法，需要安装库：pip install langchain_classic
  
  
  

旧代码

1. from langchain.agents import create_react_agent, AgentExecutor
2. from langchain.agents.react import agent
3. from langchain.agents.agent import AgentExecutor
4. # agent = agent.create_react_agent(...)

复制代码

新代码

1. from langchain_classic.agents import create_react_agent, AgentExecutor
2. from langchain_classic.agents.react import agent
3. from langchain_classic.agents.agent import AgentExecutor

复制代码

• 弃用了LangChain的create_react_agent和AgentExecutor，也废弃了LangGraph的create_react_agent改用create_agent代替。
  
  之前create_react_agent()需要的prompt参数，需要输入一个指导模型如何使用工具的提示词对象，其中有input变量，用于输入。create_agent()无需指导模型。类似langgraph的create_react_agent()create_agent()返回的就是一个工具代理执行器。
  
  
  
• create_agent()方法参数：
  
  model：指定要用的模型tools：给agent可用工具system_prompt：给agent一个系统级角色说明response_format：要求agent以结构化格式输出。可用pydantic定义输出。
  
  
  

旧代码

1. from langchain_community.agent_toolkits.sql.toolkit import SQLDatabaseToolkit
2. from langchain_community.utilities import SQLDatabase
3. from langchain_openai import ChatOpenAI
4. from langsmith import Client
5. from langchain_classic.agents import AgentExecutor, create_react_agent
7. model = ChatOpenAI(
8.     model="Pro/deepseek-ai/DeepSeek-V3",
9.     openai_api_key="************",
10.     openai_api_base="https://api.siliconflow.cn/v1",
11.     temperature=0,
12.     max_tokens=8000,)
14. db = SQLDatabase.from_uri(
15.     database_uri=r"sqlite:///D:\python\envs\langchain2\db\database.db")
16. toolkit = SQLDatabaseToolkit(db=db, llm=model)
17. sql_tools = toolkit.get_tools()
19. client = Client()
20. prompt = client.pull_prompt("hwchase17/react")
21. text_agent = create_react_agent(
22.     llm=model,
23.     tools=sql_tools,
24.     prompt=prompt,)
25. agent_executor = AgentExecutor(agent=text_agent, tools=sql_tools)input="请执行SQL语句统计sqlite数据库中student表的总行数，给出具体的数字答案"
26. result = agent_executor.invoke({"input":input})print(result)

复制代码

新代码

1. from langchain_community.agent_toolkits.sql.toolkit import SQLDatabaseToolkit
2. from langchain_community.utilities import SQLDatabase
3. from langchain_openai import ChatOpenAI
4. from langsmith import Client
5. from langchain.agents import create_agent
7. model = ChatOpenAI(
8.     model="Pro/deepseek-ai/DeepSeek-V3",
9.     openai_api_key="************",
10.     openai_api_base="https://api.siliconflow.cn/v1",
11.     temperature=0,
12.     max_tokens=8000,)
14. db = SQLDatabase.from_uri(
15.     database_uri=r"sqlite:///D:\python\envs\langchain2\db\database.db")
16. toolkit = SQLDatabaseToolkit(db=db, llm=model)
17. sql_tools = toolkit.get_tools()
19. client = Client()
20. prompt = client.pull_prompt("hwchase17/react")
21. agent = create_agent(
22.     model=model,
23.     tools=sql_tools,
24.     system_prompt=("你是一个 SQLite 数据库助手。""当用户询问数据库内容时，先查看可用表和表结构，再生成正确的 SQL。""如果工具返回了查询结果，就基于结果直接给出最终答案。"),)input="请执行SQL语句统计sqlite数据库中student表的总行数，给出具体的数字答案"
25. result = agent.invoke({"messages":[{"role":"user","content":input}]})print(result)

复制代码

3.LangChain的text_splitter接口更新：

• 新版本LangChain已经弃用了langchain.text_splitter。改成了使用langchain_text_splitters库
  
  安装langchain_text_splitters库：
  
  
  

1. pip install langchain-text-splitters

复制代码

旧代码

1. from langchain.text_splitter import MarkdownTextSplitter
2. from langchain.text_splitter import CharacterTextSplitter
3. from langchain.text_splitter import TokenTextSplitter
4. from langchain.text_splitter import RecursiveCharacterTextSplitter

复制代码

新代码

1. from langchain_text_splitters import MarkdownTextSplitter
2. from langchain_text_splitters import CharacterTextSplitter
3. from langchain_text_splitters import TokenTextSplitter
4. from langchain_text_splitters import RecursiveCharacterTextSplitter

复制代码

4.LangChain的TavilySearch接口更新：

• 新版本LangChain已经弃用了langchain_community.tools.tavily_search。改成了使用langchain_tavily库
  
  安装langchain_tavily库：pip install langchain_tavily
  
  
  

旧代码

1. from langchain_community.tools.tavily_search import TavilySearchResults
3. # 工具对象
4. web_search = TavilySearchResults(
5.     max_results=2,
6.     tavily_api_key="************")

复制代码

新代码

1. from langchain_tavily import TavilySearch  # Tavily网络搜索工具# 工具对象
2. web_search = TavilySearch(
3.     tavily_api_key="************",# Tavily密钥
4.     max_results=2,# 限制搜索结果数量，减少冗余
5.     search_depth="basic"# 基础搜索模式（速度快，适合通用问题）)

复制代码

5.LangGraph的AgentState状态结构体废弃：

from langgraph.prebuilt.chat_agent_executor import AgentState 已经属于旧路径，新版本LangGraph中不建议继续使用，未来大概率会废弃AgentState是LangGraph的create_react_agent()的状态结构体。代替方案：自己定义类似的状态结构体代替

旧代码

1. from langgraph.prebuilt.chat_agent_executor import AgentState
3. """
4. AgentState的状态结构体
5. class AgentState(TypedDict):
6.     messages: Annotated[Sequence[BaseMessage], add_messages]
7.     remaining_steps: NotRequired[RemainingSteps]    # 定义最多的思考次数
8. """

复制代码

新代码

1. from typing_extensions import TypedDict
2. from typing import Annotated
3. from langgraph.graph.message import add_messages
4. from langchain_core.messages import BaseMessage
6. classMyAgentState(TypedDict):
7.     messages: Annotated[list[BaseMessage], add_messages]# 可增加另外需要的状态键

复制代码

---

总结

本文整理了 LangChain 的基础概念与核心包生态，包括 langchain-core、langchain-community、langchain、LangGraph、LangServe、LangSmith，以及常用第三方集成包的安装方式。实际开发中，建议根据项目需要按需安装模型、向量数据库、Embedding、检索、Agent 等相关依赖，并注意新版本 LangChain/LangGraph 的接口变化，避免继续使用已废弃的旧接口。

原文地址：https://blog.csdn.net/qq_40248599/article/details/160978522

---

欢迎光临 AI创想 (https://llms-ai.com/)

Powered by Discuz! X3.4