LangChain介绍与核心包

kkkzxt · 发表于 3 天前

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

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

2.LangChain框架组成

3.LangChain(Libraries)库组成

4.langchain任务处理流程

LangChain对大模型的封装主要包括LLM和Chat Model两种类型。

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

生态系统包

2.LangChain：

安装
langchain版本查询

代码

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

复制代码

结果

LangChain 主包版本： 1.2.10
LangChain Core 版本： 1.2.14

复制代码

3.LangChain-core

4.LangChain-community

5.LangGraph

langGraph版本查询

代码

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

复制代码

结果

当前langgraph版本： 0.6.4

复制代码

6.LangChain-cli

7.LangServe

如果不使用LangChain CLI，可命令安装：

8.LangSmith

9.LangChain-experimental

三、LangChain第三方包安装

1.langchain-openai包

代码

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model='Pro/deepseek-ai/DeepSeek-V3',
openai_api_key="************",
openai_api_base='https://api.siliconflow.cn/v1',
temperature=0.7,
max_tokens=8000)
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

独立版本Chroma（旧）

3.FAISS包

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：

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

复制代码

pip install transformers_stream_generator

复制代码

pip install sentence_transformers

复制代码

可选安装Transformers框架的LoRA技术（建议安装）

pip install bitsandbytes datasets loralib

复制代码

可选安装Transformers框架对GPTQ模型的本地化支持（建议安装）
需要安装langchain-huggingface包

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。
安装GPU版本：

代码

LangChain接口层
↓
HuggingFaceEmbeddings
↓
sentence-transformers
↓
PyTorch
↓
CUDA / CPU

复制代码

确保安装的是GPU版本的langchain-huggingface步骤

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

复制代码

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

复制代码

安装CPU版本：
其他依赖
自动安装的模型保存目录
示例

代码

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

复制代码

代码

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

复制代码

6.Redis包

7.使用通义千问API模型

8.langchain-ollama包

pip install langchain_ollama

复制代码

四、LangChain简易操作

1.安装LangChain

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。
然后，初始化模型：

代码

from langchain_openai import ChatOpenAI
llm = ChatOpenAI()

复制代码

3.使用LLM 构建简单的链（chains）

代码

from langchain_core.prompts import ChatPromptTemplate
# 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。
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
chain = prompt | llm
# 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。
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

代码

from langchain_core.output_parsers import StrOutputParser
# 创建一个字符串输出解析器
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
chain = prompt | llm | output_parser
# 调用LLM链并提出问题
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：

旧代码

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

复制代码

新代码

from langsmith import Client
client = Client()
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。

旧代码

from langchain.agents import create_react_agent, AgentExecutor
from langchain.agents.react import agent
from langchain.agents.agent import AgentExecutor
# agent = agent.create_react_agent(...)

复制代码

新代码

from langchain_classic.agents import create_react_agent, AgentExecutor
from langchain_classic.agents.react import agent
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。
create_agent()方法参数：

旧代码

from langchain_community.agent_toolkits.sql.toolkit import SQLDatabaseToolkit
from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI
from langsmith import Client
from langchain_classic.agents import AgentExecutor, create_react_agent
model = ChatOpenAI(
model="Pro/deepseek-ai/DeepSeek-V3",
openai_api_key="************",
openai_api_base="https://api.siliconflow.cn/v1",
temperature=0,
max_tokens=8000,)
db = SQLDatabase.from_uri(
database_uri=r"sqlite:///D:\python\envs\langchain2\db\database.db")
toolkit = SQLDatabaseToolkit(db=db, llm=model)
sql_tools = toolkit.get_tools()
client = Client()
prompt = client.pull_prompt("hwchase17/react")
text_agent = create_react_agent(
llm=model,
tools=sql_tools,
prompt=prompt,)
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"
result = agent_executor.invoke({"input":input})print(result)

复制代码

新代码

from langchain_community.agent_toolkits.sql.toolkit import SQLDatabaseToolkit
from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI
from langsmith import Client
from langchain.agents import create_agent
model = ChatOpenAI(
model="Pro/deepseek-ai/DeepSeek-V3",
openai_api_key="************",
openai_api_base="https://api.siliconflow.cn/v1",
temperature=0,
max_tokens=8000,)
db = SQLDatabase.from_uri(
database_uri=r"sqlite:///D:\python\envs\langchain2\db\database.db")
toolkit = SQLDatabaseToolkit(db=db, llm=model)
sql_tools = toolkit.get_tools()
client = Client()
prompt = client.pull_prompt("hwchase17/react")
agent = create_agent(
model=model,
tools=sql_tools,
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"
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

pip install langchain-text-splitters

复制代码

旧代码

from langchain.text_splitter import MarkdownTextSplitter
from langchain.text_splitter import CharacterTextSplitter
from langchain.text_splitter import TokenTextSplitter
from langchain.text_splitter import RecursiveCharacterTextSplitter

复制代码

新代码

from langchain_text_splitters import MarkdownTextSplitter
from langchain_text_splitters import CharacterTextSplitter
from langchain_text_splitters import TokenTextSplitter
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

旧代码

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

复制代码

新代码

from langchain_tavily import TavilySearch # Tavily网络搜索工具# 工具对象
web_search = TavilySearch(
tavily_api_key="************",# Tavily密钥
max_results=2,# 限制搜索结果数量，减少冗余
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：

旧代码

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

复制代码

新代码

from typing_extensions import TypedDict
from typing import Annotated
from langgraph.graph.message import add_messages
from langchain_core.messages import BaseMessage
classMyAgentState(TypedDict):
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

25位大厂高管转战生成式AI创业！吸金猛，不

LangChain介绍与核心包

装了 OpenClaw 却不会用？这 20 个 Skills

关于我们

产品与服务

解决方案

产品与服务