在AI新时代，特别是在各种大模型（如ChatGPT、文心一言等）现在已经普及的背景下，LangChain作为一个连接大模型和应用的桥梁，对于快速开发AI应用具有至关重要的作用。LangChain通过简化模型集成和应用开发流程，降低了技术门槛，使更多的人能够参与到AI应用的创新中来，加速了AI技术在各个行业的应用进程。下面我们来速览一下LangChain：

什么是LangChain？

LangChain是一个面向大模型的开发框架，主要封装了一些组件、工具和API，方便开发人员可以轻松地集成和使用这些大型语言模型来开发AI Native应用，是连接大模型和应用开发的桥梁。LangChain可以使开发人员不必深入了解模型内部的工作原理，就能够利用这些模型的能力，比如文本生成、内容理解、情感分析等，来创造出各种应用，从简单的聊天机器人到复杂的自动内容生成系统。LangChain现在只支持Python和JS两种开发语言，具体可以参照官网：https://www.langchain.com

LangChain核心组件介绍

模型接口：LangChain本身并不提供大模型，但提供了与各种大模型的接口，基本上涵盖了主流所有的大模型，比如OpenAI、ChatGLM、LLama等，方便对大模型进行操作。

from langchain.llms import OpenAI
# 初始化 OpenAI LLM (Large Language Model) 类的实例# 这里假设你已经配置了 LangChain 以使用 OpenAI 的 API 密钥chatgpt = OpenAI(openai_api_key="...")
# 使用 ChatGPT 生成文本response = chatgpt.generate("Hello, world! How can I help you today?")
# 打印响应文本print(response)

-----------

向量数据库操作组件：LangChain提供了各种工具可以对向量数据库进行操作，主要核心流程有下面几步，如下图所示：

1、Document Loaders（加载文档）、Document Transformer（对文档进行转换）、Text Embedding Models（将文本向量化）。

2、Query Verctor stores（将Prompt发送至向量数据库进行检索，其中也需要将文本向量化）

3、Retrieve ‘most similar’（返回类似结果）

具体可以参照官网：

https://python.langchain.com/docs/modules/data_connection/vectorstores/

-----------

Memory组件：简单可以理解成历史记录，是用来增强语言模型记忆能力的关键部分，特别是在处理长文本、复杂对话或需要累积知识和上下文信息的场景中。

上图其实很好理解，分为读和写两部分：

1、读的部分：当我们根据已有历史，再询问新问题时，我们首先会先从Memory中将历史文本读出来，在此基础之上，拼接这次要提问的问题，组成全新的Prompt，传递给大模型。

2、写的部分：大模型输出结果的同时，再将结果通过Memory进行存储。

上面两个过程如此循环，具体示例代码可以参照官网：

https://python.langchain.com/docs/modules/memory/

补充：Memory有几种形式：

• BufferMemory：之前的对话，完全存储下来

• BufferWindowMemory：将最近的K组对话存储下来，这样在每一轮新的对话中将这K组对话传递给LLM

• VectorStore-backed Memory：它是将所有之前的对话通过向量的方式存储到向量数据库中，在每一轮新的对话中，会根据用户的输入信息，匹配向量数据库中最相似的K组对话

• ConversionMemory：它是将对话进行时对对话信息进行摘要，并将当前摘要存储在内存中。然后在新一轮对话中，可以将此摘要作为短期记忆传递给LLM。这种方式对于较长的对话非常有用，因为它是相当于压缩了历史的对话信息，能够将够多的短期记忆发送给LLM

-----------

Chains组件：任务的链式调用，简单理解是一系列顺序功能的组合。可以将大型语言模型(LLM)和提示语(prompt)结合在一起, 创建多种不同功能的Chain，然后将这些chain组合在一起，对文本或其他数据执行一系列操作。官网：

https://python.langchain.com/docs/modules/chains

下面是一个简单的Demo，大家可以参考下：

from langchain.chat_models import ChatOpenAIfrom langchain.prompts import ChatPromptTemplatefrom langchain.chains import LLMChain #定义大型语言模型llm = ChatOpenAI(model='gpt-3.5-turbo', temperature=0.9) prompt = ChatPromptTemplate.from_template("这篇文章{article}主要讲了什么？") #将llm和prompt组合在一起创建一个LLMChain的实例chain = LLMChain(llm=llm, prompt=prompt) #执行chainprint(chain.run("三国演义"))

-----------

Agent组件：Agent可以理解成智能体，给定一系列复杂的任务，它能够自动完成。比如自动回答问题、生成文本、执行用户命令等。

使用流程：

1、需要定义一些工具，这里的工具是泛指的概念，可以是API、也可以是Chain、甚至是其他的Agent。

2、大模型会自动调度和选择，什么场景下用什么工具去完成什么任务。（这里要区别于传统的编程思想，传统的编程思想是我们自己需要写if else去判断每一步用什么工具去完成给定的任务）。

而Agent主要有两种模式：

一种是Action Agents，下一步的动作由上一步的输出决定（根据每个steps调用LLM和tools，每个steps根据目标问题Object->思考Thought->调用工具Action->获得Observation。一直循环直到Thought到Final Answer，即完成这个Step）。

另一种是Plan-and-execute Agents，计划好所有的步骤，然后顺序执行（计划者调用1次LLM。设计一个规划目标和拆解任务的prompt，让LLM根据任务制定计划。代理将大型任务分解为较小的、可管理的子目标，从而能够高效处理复杂任务）。

最后还有一个ReAct思维模型，融合了Reasoning和Acting的一种范式，其本质上就是规则思维化prompt提示的实现结果。这里就不详细介绍了。

关于Agent这部分的代码示例稍微复杂一些，请大家参照官网：

https://python.langchain.com/docs/modules/agents/quick_start

-----------

LangChain的出现，降低了技术门槛，大大简化了我们开发基于大模型应用的周期。而LangChain本身的版本也在不断的迭代中，现在的社区的活跃度也很高。与LangChain类似，Semantic Kernel（简称SK）也非常火，大家可以关注下。