我的知识库

Appearance

LangChain 全解析 ​

在知识图谱中的位置：模块二 · 02_核心框架 · 第 1 节 难度：⭐⭐⭐ | 前置知识：Agent 基础概念

1. 概述 ​

LangChain 是最流行的 Agent 开发框架（200K+ GitHub Stars）。它提供一套完整的 Agent 组件：链（Chain）、代理（Agent）、记忆（Memory）、工具（Tool）和输出解析器。

核心理念：将 LLM 调用与其他组件连接成链，让 Agent 像流水线一样工作。

2. 核心概念 ​

2.1 LangChain 核心组件 ​

LangChain 架构:
  ┌─────────────────────────────────────────┐
  │              LangChain                   │
  ├──────────┬──────────┬─────────┬─────────┤
  │  LLMs    │ Prompts  │ Chains  │ Agents  │
  │ (模型)   │ (提示)   │ (链)   │ (代理)   │
  ├──────────┼──────────┼─────────┼─────────┤
  │  Memory  │  Tools   │ Indexes │ Callbacks│
  │ (记忆)   │ (工具)   │ (索引) │ (回调)   │
  └──────────┴──────────┴─────────┴─────────┘
组件功能类比
LLMs模型接口统一模型适配器
Prompts提示管理/模板化提示模板库
Chains多步骤串联管道流水线
Agents工具调用决策决策引擎
Memory对话历史管理短期记忆
Tools外部功能注册工具库
Indexes文档检索索引知识库

2.2 Agent 类型 ​

| 类型 | 特点 | 适用场景 | |------|------|--|-| | ReAct Agent | 推理+行动交替 | 通用 Agent | | OpenAI Functions Agent | 基于 Function Calling | GPT-4 | | Conversational Agent | 对话式 + 工具 | 客服 Agent | | XML Agent | XML 格式输出 | 结构化输出 | | Self-Ask Agent | 自我提问+回答 | 复杂推理 | | Plan-and-Execute | 先规划后执行 | 多步任务 |

3. 技术原理 ​

3.1 LangChain Agent 执行流程 ​

3.2 ReAct Agent 核心代码 ​

python
from langchain.agents import create_react_agent, Tool
from langchain_openai import ChatOpenAI
from langchain import hub

# 1. 定义 LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 2. 定义工具
tools = [
    Tool(
        name="get_weather",
        func=lambda loc: f"{loc}: 25°C 晴",
        description="获取指定城市天气"
    ),
    Tool(
        name="search_web",
        func=lambda q: f"搜索结果 for '{q}'",
        description="在网上搜索信息"
    )
]

# 3. 加载 ReAct 提示词模板
prompt = hub.pull("hwchase17/react")

# 4. 创建 Agent
agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=prompt
)

# 5. 执行
agent_executor = {"agent": agent}
result = agent_executor.invoke({"input": "北京明天天气如何？"})
print(result["output"])

3.3 链式编排 ​

python
from langchain.chains import SequentialChain
from langchain.prompts import PromptTemplate

# 步骤 1: 理解用户意图
intent_prompt = PromptTemplate(
    input_variables=["text"],
    template="分析以下文本的情感: {text}"
)

# 步骤 2: 基于情感生成回复
reply_prompt = PromptTemplate(
    input_variables=["sentiment", "text"],
    template="以{sentiment}情感回复: {text}"
)

# 串联执行
chain = intent_prompt | llm | reply_prompt

4. 实践指南 ​

4.1 完整 Agent 示例 ​

python
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain_openai import ChatOpenAI
from langchain.tools import Tool
from langchain import hub
from langchain.memory import ConversationBufferMemory

# 工具
def get_weather(location: str) -> str:
    return f"{location}: 25°C, 晴"

def calculate_tax(income: float) -> str:
    return f"税额: {income * 0.2:.2f}元"

tools = [
    Tool(
        name="get_weather",
        func=get_weather,
        description="获取指定城市的天气"
    ),
    Tool(
        name="calculate_tax",
        func=calculate_tax,
        description="计算个人所得税"
    )
]

# Agent
llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = hub.pull("hwchase17/openai-functions-agent")
memory = ConversationBufferMemory()

agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    memory=memory
)

# 运行
result = agent_executor.invoke({"input": "北京天气和年收入50万的税额"})
print(result["output"])

4.2 最佳实践 ​

  1. Prompt 管理 — 用 hub.pull 加载标准提示词
  2. 工具描述精确 — 每个工具描述要清晰
  3. Memory 选择 — 简单用 ConversationBufferMemory，复杂用 ConversationSummaryMemory
  4. 错误处理 — 工具失败时返回错误信息给 Agent

4.3 常见陷阱 ​

陷阱解法
循环调用设 max_iterations
提示词冲突简化工具描述
记忆爆炸用 SummaryMemory
工具调用失败加 error_handling

5. 方案对比 ​

方案优势劣势
LangChain生态最大重, 版本迭代快
LangGraph有状态学习曲线
LlamaIndexRAG 最强Agent 弱
OpenAI SDK轻量仅 OpenAI

6. 工具链 ​

工具用途
LangSmithLangChain 专用追踪
LangServe部署 LangChain 应用
hub.pull共享提示词模板

7. 参考资料 ​

8. 学习路径 ​

  1. Level 1 — 用 LangChain 写一个 ReAct Agent
  2. Level 2 — 实现自定义工具链
  3. Level 3 — 理解 LangGraph 有向图编排
  4. Level 4 — 用 LangServe 部署
  5. Level 5 — 阅读 LangChain 源码架构