304 lines
9.5 KiB
Plaintext
304 lines
9.5 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"# 04 LangChain 概述\n",
|
||
"\n",
|
||
"## 学习目标\n",
|
||
"1. 理解 LangChain 产生的背景和解决的问题\n",
|
||
"2. 掌握 LangChain 的核心架构与组件组成\n",
|
||
"3. 能够运行第一个 LangChain 程序，体验链式调用的便利性\n",
|
||
"4. 了解 LangChain 生态中的相关工具（LangServe、LangSmith 等）"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 1. 为什么需要 LangChain\n",
|
||
"\n",
|
||
"前两节课中，我们直接通过 openai 或 anthropic SDK 调用大模型 API。这种方式简单直接，但当应用变得复杂时，会遇到以下问题：\n",
|
||
"\n",
|
||
"- **Prompt 管理混乱**：硬编码在代码中，难以维护和复用\n",
|
||
"- **代码重复**：每次调用都要写重复的 API 初始化、参数配置\n",
|
||
"- **模型切换困难**：换一个模型提供商需要重写大量代码\n",
|
||
"- **缺乏标准流程**：没有统一的输入处理、输出解析规范\n",
|
||
"\n",
|
||
"**LangChain** 就是为了解决这些问题而生的框架。它将大模型应用的开发流程抽象为标准化组件，让开发者可以像搭积木一样构建复杂的 AI 应用。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 2. LangChain 是什么\n",
|
||
"\n",
|
||
"LangChain 是一个用于构建基于大语言模型（LLM）应用的 Python/JS 框架，由 Harrison Chase 于 2022 年创建。\n",
|
||
"\n",
|
||
"### 核心设计思想\n",
|
||
"\n",
|
||
"- **组件化**：将大模型应用拆解为可复用的标准组件\n",
|
||
"- **链式组合**：通过管道（|）将多个组件串联成处理流程\n",
|
||
"- **模型无关**：同一套代码可以切换不同厂商的模型\n",
|
||
"- **生态丰富**：提供大量预集成工具（向量库、搜索引擎、数据库等）"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 3. LangChain 核心架构\n",
|
||
"\n",
|
||
"LangChain 将大模型应用抽象为四大核心模块：\n",
|
||
"\n",
|
||
"### 四大核心模块\n",
|
||
"\n",
|
||
"| 模块 | 作用 | 本课程对应章节 |\n",
|
||
"| --- | --- | --- |\n",
|
||
"| **Model I/O** | 模型输入输出管理（Prompt、Model、Output Parser） | 05-07 节 |\n",
|
||
"| **Retrieval** | 检索增强生成（RAG）：文档加载、向量化、检索 | 11-13 节 |\n",
|
||
"| **Chains** | 链式组合，将多个组件串联成工作流 | 05、08 节 |\n",
|
||
"| **Agents** | 智能体：让模型自主决策、调用工具完成任务 | 09-10 节 |\n",
|
||
"\n",
|
||
"### 组件关系图\n",
|
||
"\n",
|
||
"用户输入 -> Prompt模板 -> LLM模型 -> 输出解析 -> 最终结果\n",
|
||
"\n",
|
||
"例如：\n",
|
||
"\n",
|
||
"chain = prompt | llm | parser\n",
|
||
"result = chain.invoke({'input': '用户问题'})"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 4. 第一个 LangChain 程序\n",
|
||
"\n",
|
||
"我们先看一个对比示例：直接调用 API vs 使用 LangChain。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 方式一：直接调用 API（传统方式）"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from openai import OpenAI\n",
|
||
"import os\n",
|
||
"from dotenv import load_dotenv\n",
|
||
"\n",
|
||
"load_dotenv()\n",
|
||
"\n",
|
||
"\n",
|
||
"client = OpenAI(\n",
|
||
" base_url=os.getenv('OPENAI_BASE_URL'),\n",
|
||
" api_key=os.getenv('OPENAI_API_KEY')\n",
|
||
")\n",
|
||
"\n",
|
||
"response = client.chat.completions.create(\n",
|
||
" model='qwen3.6-35b-A3b',\n",
|
||
" messages=[\n",
|
||
" {'role': 'system', 'content': '你是一个翻译助手，将中文翻译成英文。'},\n",
|
||
" {'role': 'user', 'content': '你好，世界'}\n",
|
||
" ]\n",
|
||
")\n",
|
||
"print(response.choices[0].message.content)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 方式二：使用 LangChain（推荐方式）\n",
|
||
"\n",
|
||
"LangChain 将 Prompt、模型调用、输出解析封装成标准组件，代码更简洁、更易维护。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"import os\n",
|
||
"\n",
|
||
"# 1. 创建模型（自动读取环境变量 OPENAI_BASE_URL 和 OPENAI_API_KEY）\n",
|
||
"llm = ChatOpenAI(\n",
|
||
" model='qwen3.6-35b-A3b',\n",
|
||
" temperature=0.7\n",
|
||
")\n",
|
||
"\n",
|
||
"# 2. 创建 Prompt 模板\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '你是一个翻译助手，将中文翻译成英文。'),\n",
|
||
" ('user', '{input}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"# 3. 构建链：Prompt -> LLM\n",
|
||
"chain = prompt | llm\n",
|
||
"\n",
|
||
"# 4. 运行链\n",
|
||
"result = chain.invoke({'input': '你好，世界'})\n",
|
||
"print(result.content)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 对比总结\n",
|
||
"\n",
|
||
"| 特性 | 直接 API | LangChain |\n",
|
||
"| --- | --- | --- |\n",
|
||
"| Prompt 管理 | 硬编码在 messages 中 | 模板化，支持变量复用 |\n",
|
||
"| 代码可读性 | 每次都要写完整 API 调用 | 语义清晰：prompt \\| llm |\n",
|
||
"| 模型切换 | 重写 SDK 初始化代码 | 换一行 model= 即可 |\n",
|
||
"| 输出处理 | 手动解析 choices[0] | 自动解析，支持结构化输出 |\n",
|
||
"| 扩展性 | 难以添加后续处理步骤 | 可继续追加 \\| parser 等组件 |"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 5. LangChain 核心组件速览\n",
|
||
"\n",
|
||
"本课程后续章节会逐一深入讲解，这里先建立整体印象。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 5.1 Model（模型）\n",
|
||
"\n",
|
||
"LangChain 封装了各大厂商的模型，统一接口：\n",
|
||
"\n",
|
||
"```python\n",
|
||
"from langchain_openai import ChatOpenAI # OpenAI 兼容格式\n",
|
||
"from langchain_anthropic import ChatAnthropic # Anthropic Claude\n",
|
||
"from langchain_community.llms import Tongyi # 阿里通义千问\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b')\n",
|
||
"```\n",
|
||
"\n",
|
||
"所有模型都支持 .invoke()、.stream()、.batch() 等统一方法。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 5.2 Prompt（提示模板）\n",
|
||
"\n",
|
||
"将 Prompt 模板化，支持变量插入和复用：\n",
|
||
"\n",
|
||
"```python\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '你是一个{role}。'),\n",
|
||
" ('user', '请{task}：{content}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"prompt.format(role='翻译助手', task='翻译', content='Hello')\n",
|
||
"```"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 5.3 Output Parser（输出解析器）\n",
|
||
"\n",
|
||
"将模型输出的文本解析为结构化数据（JSON、列表、Pydantic 对象等）：\n",
|
||
"\n",
|
||
"```python\n",
|
||
"from langchain_core.output_parsers import JsonOutputParser\n",
|
||
"\n",
|
||
"parser = JsonOutputParser()\n",
|
||
"chain = prompt | llm | parser # 模型输出自动解析为 JSON\n",
|
||
"```"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 5.4 Chain（链）\n",
|
||
"\n",
|
||
"链是 LangChain 的核心概念，表示数据的处理流程。使用 | 运算符组合：\n",
|
||
"\n",
|
||
"```python\n",
|
||
"chain = prompt | llm | parser\n",
|
||
"result = chain.invoke({'input': '用户输入'})\n",
|
||
"```\n",
|
||
"\n",
|
||
"数据流：用户输入 -> Prompt模板 -> LLM -> 输出解析 -> 最终结果"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 6. LangChain 生态工具\n",
|
||
"\n",
|
||
"| 工具 | 作用 |\n",
|
||
"| --- | --- |\n",
|
||
"| **LangGraph** | 构建复杂状态图和多智能体工作流（本课程核心内容） |\n",
|
||
"| **LangServe** | 将 LangChain 链部署为 REST API 服务 |\n",
|
||
"| **LangSmith** | 调试、监控和评估 LangChain 应用的可观测性平台 |\n",
|
||
"| **LangChain Hub** | 社区共享的 Prompt 模板市场 |\n",
|
||
"\n",
|
||
"本课程重点讲解 LangChain 核心组件 + LangGraph 智能体，LangSmith 会在最后的部署评估环节介绍。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 7. 本节课练习\n",
|
||
"\n",
|
||
"1. 对比直接调用 API 和 LangChain 的代码，体会 LangChain 的便利性\n",
|
||
"2. 修改上面的 LangChain 示例，将 system 提示改为「你是一个诗人」，将输入改为「写一句关于月亮的诗」\n",
|
||
"3. 尝试在 ChatOpenAI 中切换 temperature（0.0、1.0、2.0），观察输出变化\n",
|
||
"4. 尝试将 prompt | llm 链保存为一个变量，多次调用 invoke() 传入不同输入"
|
||
]
|
||
}
|
||
],
|
||
"metadata": {
|
||
"kernelspec": {
|
||
"display_name": ".venv",
|
||
"language": "python",
|
||
"name": "python3"
|
||
},
|
||
"language_info": {
|
||
"codemirror_mode": {
|
||
"name": "ipython",
|
||
"version": 3
|
||
},
|
||
"file_extension": ".py",
|
||
"mimetype": "text/x-python",
|
||
"name": "python",
|
||
"nbconvert_exporter": "python",
|
||
"pygments_lexer": "ipython3",
|
||
"version": "3.14.4"
|
||
}
|
||
},
|
||
"nbformat": 4,
|
||
"nbformat_minor": 4
|
||
}
|