Langchain提供了一套工具、组件和接口，简化了创建LLM应用的过程。官方解释：they use an LLM to determine which actions to take and in what order. An action can either be using a tool and observing its output, or returning to the user.摘要：Langchain提供了一套工具、组件和接口，简化了创建LLM应用的过程。官方解释：they use an LLM to determine which actions to take and in what order. An action can eith
LangChain是由多个组件组成的：
Models：模型，比如GPT-4oPrompts：提示，包括提示管理、提示优化和提示序列化Memory：记忆，用来保存和模型交互时的上下文Indexes：索引，用于结构化文档，方便和模型交互，如果要构建自己的知识库，就需要各种类型文档的加载，转换，长文本切割，文本向量计算，向量索引存储查询等Chains：链，一系列对各种组件的调用Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止在LangChain中集成了一些常用的tools：
Apify 、ArXivAPI Tool、 AWS Lambda API、 Shell Tool、 Bing Search、 ChatGPT Plugins、DuckDuckGo Search、File System Tools、Google Places、Google Search、Google Serper API、GradioTools、GraphQL tool、HuggingFace Tools、Human as a tool、IFTTT WebHooks、Metaphor Search、Call the API、Use Metaphor as a tool、OpenWeatherMap API、Python REPL、Requests、 SceneXplain、Search Tools、 SearxNG Search API、 SerpAPI、Twilio、Wikipedia、Wolfram Alpha、YouTubeSearchTool、Zapier Natural Language Actions API、Example with SimpleSequentialChain。1、ReAct范式
ReAct: Synergizing Reasoning and Acting，将推理和动作相结合，克服LLM胡言乱语的问题，同时提高了结果的可解释性和可信赖度。由LLM 选择工具。执行工具后，将输出结果返回给LLM。不断重复上述过程，直到达到停止条件，通常是LLM 自己认为找到答案了。示例Python代码：
import refrom typing import List, Unionimport textwrapimport timefrom langchain.agents import initialize_agent, AgentType, Toolfrom langchain_community.llms import Tongyifrom langchain.prompts import PromptTemplatefrom langchain.llms.base import BaseLLM# 输出结果显示，每行最多60字符，每个字符显示停留0.1秒（动态显示效果）def output_response(response: str) -> None:"""动态显示响应结果"""if not response:exit(0)# 每行最多60个字符for line in textwrap.wrap(response, width=60):for word in line.split:for char in word:print(char, end="", flush=True)time.sleep(0.1) # 每个字符之间延迟0.1秒print(" ", end="", flush=True) # 单词之间添加空格print # 每行结束后换行# 遇到这里，这个问题的回答就结束了print("")# 定义了LLM的Prompt TemplateCONTEXT_QA_TMPL = """根据以下提供的信息，回答用户的问题信息：{context}问题：{query}"""CONTEXT_QA_PROMPT = PromptTemplate(input_variables=["query", "context"],template=CONTEXT_QA_TMPL,)# 模拟公司产品和公司介绍的数据源class TeslaDataSource:def __init__(self, llm: BaseLLM):self.llm = llm# 工具1：产品描述def find_product_description(self, product_name: str) -> str:"""模拟公司产品的数据库"""product_info = {"Model 3": "具有简洁、动感的外观设计，流线型车身和现代化前脸。定价23.19-33.19万","Model Y": "在外观上与Model 3相似，但采用了更高的车身和更大的后备箱空间。定价26.39-36.39万","Model X": "拥有独特的翅子门设计和更加大胆的外观风格。定价89.89-105.89万",}# 彻底清理输入，去除所有可能的额外文本# 1. 分割换行符并取第一部分# 2. 分割空格并过滤掉非产品名称相关的词# 3. 移除所有可能的特殊字符cleaned_name = product_name.split('\n')[0].strip# 尝试直接匹配if cleaned_name in product_info:return product_info[cleaned_name]# 不区分大小写匹配cleaned_name_lower = cleaned_name.lowerfor key, value in product_info.items:if key.lower == cleaned_name_lower:return value# 尝试部分匹配，看是否包含产品名称关键词for key, value in product_info.items:if any(part.lower in cleaned_name_lower for part in key.split):return value# 工具2：公司介绍def find_company_info(self, query: str) -> str:"""模拟公司介绍文档数据库，让llm根据信息回答问题"""context = """特斯拉最知名的产品是电动汽车，其中包括Model S、Model 3、Model X和Model Y等多款车型。特斯拉以其技术创新、高性能和领先的自动驾驶技术而闻名。公司不断推动自动驾驶技术的研发，并在车辆中引入了各种驾驶辅助功能，如自动紧急制动、自适应巡航控制和车道保持辅助等。"""# prompt模板 = 上下文context + 用户的queryprompt = CONTEXT_QA_PROMPT.format(query=query, context=context)# 使用LLM进行推理return self.llm(prompt)# 设置通义千问API密钥DASHSCOPE_API_KEY = 'sk-882e296067**********cf27e6e20f3ec0'if __name__ == "__main__":# 定义LLMllm = Tongyi(model_name="qwen-turbo", dashscope_api_key=DASHSCOPE_API_KEY)# 自有数据源tesla_data_source = TeslaDataSource(llm)# 定义工具tools = [Tool(name="查询产品名称",func=tesla_data_source.find_product_description,description="通过产品名称找到产品描述时用的工具，输入的是产品名称",),Tool(name="公司相关信息",func=tesla_data_source.find_company_info,description="当用户询问公司相关的问题，可以通过这个工具了解公司信息",),]# 使用ReAct模式初始化Agentagent = initialize_agent(tools=tools,llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True,handle_parsing_errors=True,)# 主过程：可以一直提问下去，直到Ctrl+Cwhile True:try:user_input = input("请输入您的问题：")response = agent.run(user_input)output_response(response)except KeyboardInterrupt:print("\n程序已退出")breakexcept Exception as e:print(f"发生错误: {e}")continue2、LCEL构建任务链
LCEL是LangChain推出的链式表达式语言，支持用"|"操作符将各类单元（如Prompt、LLM、Parser等）组合。每个"|"左侧的输出会自动作为右侧的输入，实现数据流式传递。优势：
代码简洁，逻辑清晰，易于多步任务编排。支持多分支、条件、并行等复杂链路。易于插拔、复用和调试每个子任务。典型用法：
串联：`A | B | C`，A的输出传给B，B的输出传给C。分支：`{"x": A, "y": B}`，并行执行A和B。支持流式：如`.stream` 方法可边生成边打印。示例Python代码：
from langchain_core.prompts import ChatPromptTemplatefrom langchain_community.llms import Tongyi # 导入通义千问Tongyi模型from langchain_core.output_parsers import StrOutputParserimport dashscopeimport os# 从环境变量获取 dashscope 的 API Keyapi_key = os.environ.get('DASHSCOPE_API_KEY')dashscope.api_key = api_key# stream=True 让LLM支持流式输出llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=api_key, stream=True)# 定义三个子任务：翻译->处理->回译translate_to_en = ChatPromptTemplate.from_template("Translate this to English: {input}") | llm | StrOutputParserprocess_text = ChatPromptTemplate.from_template("Analyze this text: {text}") | llm | StrOutputParsertranslate_to_cn = ChatPromptTemplate.from_template("Translate this to Chinese: {output}") | llm | StrOutputParser# 组合成多任务链workflow = {"text": translate_to_en} | process_text | translate_to_cn#workflow.invoke({"input": "北京有哪些好吃的地方，简略回答不超过200字"})# 使用stream方法，边生成边打印for chunk in workflow.stream({"input": "北京有哪些好吃的地方，简略回答不超过200字"}):print(chunk, end="", flush=True)print # 换行来源：畅快的公良朋伯
