跳至主要內容
LangChain

什么是LangChain？

LangChain 是一个开源的大型语言模型（LLM）应用开发框架，旨在简化基于语言模型的复杂应用构建过程。通过模块化设计和链式工作流，它解决了 LLM 开发中的关键痛点，支持开发者高效连接模型、数据源和工具。支持Python和TypeScript两种语言。

一、定义与价值

  1. 核心定位：
    LangChain 是 LLM 的"编程框架"，提供标准化接口和组件，让开发者像搭积木一样构建 AI 应用（如知识库问答、智能客服、自动化流程）。

    • 类比：LangChain 相当于数据库领域的 JDBC，统一不同模型（OpenAI、ChatGLM 等）的调用方式。
    • 核心能力：数据感知（连接外部数据）和自主性（与环境交互）。

  2. 解决的核心问题：

    • 模型接口不统一：封装 OpenAI、Hugging Face 等模型的 API，支持一键切换模型。
    • 长文本处理限制：通过向量数据库（如 Faiss、Milvus）存储和检索超长文本，突破 LLM 的 Token 限制（如 ChatGPT 的 4K 上限）。
    • 上下文管理：通过 Memory 模块维护多轮对话状态，避免 LLM 无记忆的问题。
    • 功能扩展：动态调用外部 API、计算器、搜索引擎等工具（如 Google 搜索、Wolfram Alpha）。

  3. 设计理念：

    LangChain 框架采用模块化设计，整个架构由多个相互关联的包组成：

    • ‌核心层(langchain-core)‌：包含LLM、向量数据库、检索器等核心组件的抽象接口。

    • ‌集成层‌：分为主流集成包(如langchain-openai)和社区集成包(langchain-community)。

    • ‌应用层(langchain)：包含构建LLM应用所需的高级组件，如各种链(Chain)结构和代理(Agent)实现。

atodo2025/12/31大约 5 分钟大模型LLM应用开发LangChain
LangChain：ChromaDB集成

1. 定义与术语

核心定义

ChromaDB是一个开源的AI原生向量数据库（Apache 2.0许可），专注于开发者的生产力和用户体验。

在LangChain生态中，langchain_chroma.Chroma是与ChromaDB交互的官方向量存储类，用于：

  • 存储文档的嵌入向量和元数据
  • 执行高效的相似性搜索（如余弦相似度）
  • 支持检索增强生成（RAG）系统

名词术语表

术语 解释
向量存储 存储嵌入向量并支持相似性搜索的数据库
嵌入向量 通过模型（如text-embedding-3-small）将文本转换为数值向量
RAG 检索增强生成，结合检索和LLM生成的技术
持久化 将向量数据保存到磁盘长期存储
MMR 最大边际相关性，优化搜索结果多样性的算法
分块 将文档分割为固定大小的片段
atodo2025/12/31大约 4 分钟大模型LLM应用开发LangChain
LangChain：安装与应用

LangChain安装指南

一、环境准备

  1. Python版本：推荐 Python 3.8+（对低版本兼容性有限）。

  2. 包管理工具：使用 pip 安装依赖。

  3. 虚拟环境：在虚拟环境中安装，以隔离项目依赖，避免依赖冲突。

    # 方法一：venv
python -m venv myenv
source myenv/bin/activate  # Linux/macOS
myenv\Scripts\activate     # Windows
    # 方法二：conda
conda create -n langchain-env python=3.10
conda activate langchain-env
atodo2025/12/31大约 5 分钟大模型LLM应用开发LangChain
LangChain：概念术语

以下是LangChain学习中常见名词或概念的系统总结：

1. 核心概念

名词 解释
Loader（加载器） 从不同数据源（如PDF、网页、数据库）加载数据的工具，例如 DirectoryLoader、PDFLoader。
Document（文档） Loader加载的原始数据会被转换成Document对象，包含文本内容和元数据。
Text Splitter（文本分割器） 将长文本分割为小片段（Chunk），以适应LLM的Token限制（如 RecursiveCharacterTextSplitter）。
Embedding（嵌入） 将文本转换为向量表示的技术（如OpenAI Embeddings），用于衡量文本相关性。
Vectorstores（向量数据库） 存储文档向量并支持相似性搜索的数据库（如Chroma、Milvus、Pinecone）。
Chain（链） 封装任务的工作流，例如 LLMChain（基础链）、RetrievalQA（检索问答链）。
Agent（代理） 动态选择工具（Tools）并执行复杂任务的组件，通过LLM决策调用顺序（如 Zero-shot React 代理）。
Tools（工具） Agent可调用的功能模块（如Google搜索、计算器、自定义工具）。
Memory（记忆） 存储对话历史，实现多轮对话上下文管理（如 ChatMessageHistory）。
atodo2025/12/31大约 2 分钟大模型LLM应用开发LangChain