真正通俗易懂的Langchain入门学习（四）

关注

原创最新推荐文章于 2026-05-23 10:12:40 发布 1k 阅读 AI 写同款· GEO 优化 ›

LangChain入门指南 LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。官方文档：https://python.langchain.com/en/latest/ 阅读详情

三、核心模块深入：像搭积木一样组装AI能力

1. Models（模型层）：给你的AI换个“大脑”

场景需求：

需要更高精度的回答？→ 换GPT-4
数据敏感必须本地部署？→ 用开源模型
想节省成本？→ 选择按量付费的模型

实操演示：

# 使用OpenAI的GPT-4（需账户有访问权限）
from langchain.chat_models import ChatOpenAI
gpt4 = ChatOpenAI(model="gpt-4", temperature=0.5)

# 使用开源的Llama2（需先下载模型文件）
from langchain.llms import LlamaCpp
llama = LlamaCpp(
    model_path="./llama-2-7b-chat.ggmlv3.q4_0.bin",
    temperature=0.8
)

# 对比两者的诗歌生成
print("GPT-4:", gpt4.predict("用'月光'开头写一句诗"))
print("Llama2:", llama.predict("用'月光'开头写一句诗"))

输出对比：

GPT-4：月光如水洗尘心，星河若梦照古今  
Llama2：月光白如雪，照在青石街

小贴士：

云端模型：响应快、效果稳定，但需付费
本地模型：数据隐私好，但需要显卡资源

2. Chains（任务链）：把AI变成流水线工人

典型案例：自动客服工单处理系统

代码实现：

from langchain.chains import TransformChain, LLMChain, SequentialChain

# 第一步：工单分类
classify_prompt = PromptTemplate(...)
classify_chain = LLMChain(...)

# 第二步：根据类型处理
def routing_logic(inputs):
    if "投诉" in inputs["type"]:
        return "complaint_chain"
    else:
        return "query_chain"

# 组装完整流程
full_chain = SequentialChain(
    chains=[classify_chain, complaint_chain, query_chain],
    routing=routing_logic  # 自定义路由逻辑
)

调试技巧：

# 查看每个步骤的输入输出
full_chain.run("你们的产品有问题！", verbose=True)

# 输出日志示例：
# [分类链] 输入："你们的产品有问题！" → 输出：{"type": "投诉"}
# [投诉处理链] 输入：投诉内容 → 输出：安抚话术

3. Agents（智能代理）：给你的AI发瑞士军刀

工具包配置：

from langchain.agents import Tool
from langchain.utilities import GoogleSearchAPIWrapper

# 创建三个工具
search = GoogleSearchAPIWrapper()
tools = [
    Tool(
        name="网络搜索",
        func=search.run,
        description="用于查询实时信息"
    ),
    Tool(
        name="计算器",
        func=lambda x: str(eval(x)),
        description="用于数学计算"
    ),
    Tool(
        name="翻译器",
        func=translate_api,
        description="中英互译"
    )
]

实战场景：全能旅行助手

agent.run("帮我查巴厘岛下周天气，预算1万元玩3天怎么安排？")

AI的思考过程（通过设置verbose=True可见）：

1. 需要天气数据 → 调用「网络搜索」工具  
2. 计算每日预算：10000/3 ≈ 3333 → 调用「计算器」  
3. 生成行程建议 → 使用LLM本身能力  
4. 翻译酒店名称 → 调用「翻译器」

常见问题：

工具选择错误：在工具描述中强调使用场景
无限循环：设置最大迭代次数max_iterations=5

4. Memory（记忆管理）：让AI记住你的喜好

记忆类型对比表：

类型	适用场景	代码示例
对话缓存记忆	短期聊天	`ConversationBufferMemory`
实体记忆	记住用户特定信息	`EntityMemory`
知识图谱记忆	复杂关系记忆	`KGMemory`

用户偏好记忆案例：

from langchain.memory import ConversationEntityMemory

# 创建带实体识别的记忆
memory = ConversationEntityMemory(llm=llm)
memory.save_context(
    {"input": "我咖啡只喝美式"}, 
    {"output": "已记录您的咖啡偏好"}
)

# 后续对话
print(memory.load_memory_variables({"input": "推荐个饮品？"}))
# 输出：{'history': ..., 'entities': {'用户': {'咖啡偏好': '美式'}}}

记忆丢失问题解决：

定期将记忆存储到数据库
使用VectorStoreRetrieverMemory向量记忆

5. Indexes（数据索引）：让AI读懂你的文档

企业知识库搭建四部曲：

文档加载：支持PDF/Word/网页

from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader("企业章程.pdf")
pages = loader.load()

文本分割：防止超过模型token限制

from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
docs = text_splitter.split_documents(pages)

向量存储：把文字变成数学向量

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
db = FAISS.from_documents(docs, OpenAIEmbeddings())

语义检索：

query = "年假制度是怎样的？"
similar_docs = db.similarity_search(query)

效果对比：

传统关键词搜索 → 匹配"年假"出现次数  
语义搜索 → 理解"带薪休假怎么计算"也能找到答案

6. 模块组合实战：智能会议助手

需求场景：

自动总结会议录音（语音转文字 + 摘要生成）
根据讨论内容生成待办事项
关联历史会议记录

代码架构：

# 1. 语音处理链
audio_chain = SpeechToTextChain() 

# 2. 摘要生成链
summary_chain = LLMChain(...)

# 3. 待办事项抽取链
todo_chain = TransformChain(...)

# 4. 记忆存储
memory = CombinedMemory(memories=[buffer_memory, entity_memory])

# 整合所有模块
assistant_chain = SequentialChain(
    chains=[audio_chain, summary_chain, todo_chain],
    memory=memory,
    input_variables=["audio_file"]
)

7. 调试与优化指南

常见问题诊断表：

现象	可能原因	解决方案
响应速度慢	链过长/模型延迟高	异步调用/换轻量模型
输出结果不稳定	temperature值过高	降低temperature至0.3-0.6
记忆丢失	未正确传递memory对象	检查chain的memory参数是否设置
工具调用失败	API密钥失效/网络问题	添加重试机制/异常捕获

性能优化技巧：

缓存机制：对常见查询结果缓存

from langchain.cache import InMemoryCache
langchain.llm_cache = InMemoryCache()

批量处理：同时处理多个输入

inputs = [{"query": "巴黎天气"}, {"query": "伦敦天气"}]
chain.apply(inputs)

8. 阶段练习：打造你的第一个智能应用

任务选择：

选项1：电商客服机器人（需对接产品数据库）
选项2：个人健康助手（记录运动饮食数据）
选项3：学习监督员（检查作业生成错题集）

实现步骤提示：

画出功能流程图
列出需要的模块（如：需要Agent吗？需要哪种Memory？）
分模块编写测试代码
组装调试时使用verbose=True观察执行过程

示例代码框架：

# 健康助手骨架代码
from langchain import LLMChain, Agent, Memory

class HealthAssistant:
    def __init__(self):
        self.memory = ConversationEntityMemory()
        self.food_chain = LLMChain(...)
        self.exercise_agent = Agent(...)
    
    def log_meal(self, food):
        self.memory.save_context(...)
        return self.food_chain.run(food)
    
    def suggest_exercise(self):
        return self.exercise_agent.run(
            inputs={"memory": self.memory},
            tools=[BMI_calculator, workout_generator]
        )