简介
LangChain是一个开源的Python AI应用开发框架,它提供了构建基于大模型的AI应用所需的模块和工具。通过LangChain,开发者可以轻松地与大型语言模型(LLM)集成,完成文本生成、问答、翻译、对话等任务。LangChain降低了AI应用开发的门槛,让任何人都可以基于LLM构建属于自己的创意应用。
LangChain特性：
- LLM 和提示（Prompt）：LangChain 对所有LLM大模型进行了API抽象，统一了大模型访问API，同时提供了Prompt提示模板管理机制。
- 链(Chain)：Langchain对一些常见的场景封装了一些现成的模块，例如：基于上下文信息的问答系统，自然语言生成SQL查询等等，因为实现这些任务的过程就像工作流一样，一步一步的执行，所以叫链(chain)。
- LCEL：LangChain Expression Language (LCEL)， langchain新版本的核心特性，用于解决工作流编排问题，通过LCEL表达式，我们可以灵活的自定义AI任务处理流程，也就是灵活自定义链(Chain)。
- 数据增强生成(RAG)：因为大模型(LLM)不了解新的信息，无法回答新的问题，所以我们可以将新的信息导入到LLM，用于增强LLM生成内容的质量，这种模式叫做RAG模式(Retrieval Augmented Generation)。
- Agents：是一种基于大模型（LLM）的应用设计模式，利用LLM的自然语言理解和推理能力（LLM作为大脑)），根据用户的需求自动调用外部系统、设备共同去完成任务，例如：用户输入“明天请假一天”， 大模型（LLM）自动调用请假系统，发起一个请假申请。
- 模型记忆（memory）：让大模型(llm)记住之前的对话内容，这种能力成为模型记忆（memory）。
LangChain框架组成
LangChain框架由几个部分组成，包括：
- LangChain库：Python和JavaScript库。包含接口和集成多种组件的运行时基础，以及现成的链和代理的实现。
- LangChain模板：Langchain官方提供的一些AI任务模板。
- LangServe：基于FastAPI可以将Langchain定义的链(Chain)，发布成为REST API。
- LangSmith：开发平台，是个云服务，支持Langchain debug、任务监控。
LangChain库(Libraries)
LangChain库本身由几个不同的包组成。
langchain-core：基础抽象和LangChain表达语言。langchain-community：第三方集成，主要包括langchain集成的第三方组件。langchain：主要包括链(chain)、代理(agent)和检索策略。
langchain任务处理流程
如上图，langChain提供一套提示词模板(prompt template)管理工具，负责处理提示词，然后传递给大模型处理，最后处理大模型返回的结果，
LangChain对大模型的封装主要包括LLM和Chat Model两种类型。
- LLM - 问答模型，模型接收一个文本输入，然后返回一个文本结果。
- Chat Model - 对话模型，接收一组对话消息，然后返回对话消息，类似聊天消息一样。
核心概念
1. LLMs
LangChain封装的基础模型，模型接收一个文本输入，然后返回一个文本结果。
2. Chat Models
聊天模型（或者成为对话模型），与 LLMs 不同，这些模型专为对话场景而设计。模型可以接收一组对话消息，然后返回对话消息，类似聊天消息一样。
3. 消息（Message）
指的是聊天模型（Chat Models）的消息内容，消息类型包括包括 HumanMessage、AIMessage、SystemMessage、FunctionMessage 和 ToolMessage等多种类型的消息。
4. 提示(prompts)
LangChain封装了一组专门用于提示词(prompts)管理的工具类，方便我们格式化提示词(prompts)内容。
5. 输出解析器(Output Parsers)
如上图介绍，Langchain接受大模型(llm)返回的文本内容之后，可以使用专门的输出解析器对文本内容进行格式化，例如解析json、或者将llm输出的内容转成python对象。
5. Retrievers
为方便我们将私有数据导入到大模型（LLM）, 提高模型回答问题的质量，LangChain封装了检索框架(Retrievers)，方便我们加载文档数据、切割文档数据、存储和检索文档数据。
6. 向量存储(Vector stores)
为支持私有数据的语义相似搜索，langchain支持多种向量数据库。
7. Agents
智能体(Agents)，通常指的是以大模型（LLM）作为决策引擎，根据用户输入的任务，自动调用外部系统、硬件设备共同完成用户的任务，是一种以大模型（LLM）为核心的应用设计模式。
应用场景
- 对话机器人:构建智能的对话助手、客服机器人、聊天机器人等。
- 知识库问答:结合知识图谱,进行开放域问题的问答服务。
- 智能写作:如文章写作、创意写作、文本摘要等。