Langchain 功能介绍和使用示例演示-CSDN博客

以下是 LangChain 的功能介绍及典型使用示例：

LangChain 核心功能介绍

模型 I/O
- 功能概述：提供统一的大语言模型接口，支持多种 LLM，并通过提示词模板动态管理输入输出[²][⁴]。
- 关键特性：
  - 模型包装器：适配不同平台的 LLM，简化 API 调用[²]。
  - 输出解析器：从模型输出中提取结构化信息[²][⁴]。
  - 提示词管理：支持模板化输入，便于动态调整[³][⁴]。
数据增强与检索
- 功能概述：连接外部数据源，实现文档加载、转换、存储和查询[²][³]。
- 关键特性：
  - 文档加载器：支持多种格式（PDF、CSV、SQL 等）的数据导入[³][⁴]。
  - 向量存储与检索：通过嵌入技术实现高效数据检索[²][⁴]。
  - 索引优化：构建适合 LLM 交互的文档索引策略[³]。
链式调用
- 功能概述：将多个模型或组件串联为逻辑流程，处理复杂任务[²][³]。
- 典型应用：多步骤推理、跨模型协作、业务流程自动化[³][⁴]。
记忆能力
- 功能概述：在对话或流程中维护状态，支持历史消息的读取和写入[²][³]。
- 应用场景：聊天机器人、长期对话系统、上下文感知的任务处理[³][⁴]。
代理
- 功能概述：基于 LLM 的决策能力，动态选择工具或操作序列[²][⁷]。
- 典型流程：模型分析任务 → 调用工具 → 观察结果 → 重复直至目标达成[⁷]。
回调处理器
- 功能概述：记录和干预应用运行的各个阶段，用于日志、监控和流处理[²][⁴]。
- 用途：调试、性能追踪、实时数据处理[⁴]。

典型使用示例演示

示例一：文本总结

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains.summarize import load_summarize_chain

# 初始化LLM模型
llm = OpenAI(temperature=0, model_name='gpt-3.5-turbo', openai_api_key="your_api_key")

# 定义短文本总结模板
template = """
%INSTRUCTIONS:
Please summarize the following piece of text.
Respond in a manner that a 5 year old would understand.
%TEXT:
{text}
"""
prompt = PromptTemplate(input_variables=["text"], template=template)

# 对长文本进行分块处理
text_splitter = RecursiveCharacterTextSplitter(separators=["\n\n", "\n"], chunk_size=5000, chunk_overlap=350)
with open('wonderland.txt', 'r') as file:
    text = file.read()
docs = text_splitter.create_documents([text])

# 使用 map_reduce 策略总结长文本
chain = load_summarize_chain(llm=llm, chain_type='map_reduce')
summary = chain.run(docs)
print(summary)

示例二：工具调用与多轮对话

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
import json

# 定义工具函数
@tool
def get_weather(city: str) -> str:
    return f"{city} 今天天气晴，28°C，湿度30%"

@tool
def add(a: int, b: int) -> int:
    return a + b

# 初始化模型并绑定工具
llm = ChatOpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", api_key="your_secret_key", model="qwen-turbo", temperature=0)
llm_with_tools = llm.bind_tools([get_weather, add])

# 多轮对话循环
messages = [AIMessage(content="你好！我是你的AI助手，可以帮你查天气、做加法，有什么可以帮你的？")]
available_tools = {"get_weather": get_weather, "add": add}

while True:
    user_input = input("你：").strip()
    if user_input.lower() in {"exit", "quit", ""}:
        print("再见！")
        break
    messages.append(HumanMessage(content=user_input))
    response = llm_with_tools.invoke(messages)
    if response.tool_calls:
        print("检测到工具调用:")
        print(json.dumps(response.tool_calls, indent=2, ensure_ascii=False))
        messages.append(response)
        for tool_call in response.tool_calls:
            tool_func = available_tools.get(tool_call["name"])
            if tool_func:
                tool_result = tool_func.invoke(tool_call)
                messages.append(tool_result)
                print(f"执行 {tool_call['name']} → {tool_result.content}")
    else:
        messages.append(response)
        print("AI:", response.content)

示例三：文档问答

from langchain.document_loaders import PyPDFLoader
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.retrievers import VectorStoreRetriever
from langchain.chains import RetrievalQA

# 加载文档并创建向量库
loader = PyPDFLoader("example.pdf")
pages = loader.load()
embeddings = OpenAIEmbeddings(api_key="your_api_key")
vectorstore = FAISS.from_documents(pages, embeddings)
retriever = VectorStoreRetriever(vectorstore)

# 构建问答链
qa_chain = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="stuff", retriever=retriever)
answer = qa_chain.run("为什么天空是蓝色的？")
print(answer)