外观
LangChain安装与入门
LangChain
LangChain介绍
LangChain 是一个用于构建基于大语言模型（LLM）的应用程序的开源框架，旨在简化将语言模型与外部数据、工具和其他系统集成的过程，帮助开发者更高效地构建复杂的 LLM 应用。
- 数据连接：支持与各种外部数据源（如文档、数据库、API 等）交互，让语言模型能够处理超出其训练数据范围的信息。
- 工具调用：允许语言模型调用外部工具（如搜索引擎、计算器、代码解释器等），扩展模型的能力，使其能完成更复杂的任务（如实时信息查询、数学计算等）。
- 链（Chains）：将多个操作步骤（如数据加载、模型调用、工具使用等）组合成一个流程，实现更复杂的功能。例如，先从文档中提取信息，再让模型基于这些信息生成回答。
- 代理（Agents）：让语言模型具备自主决策能力，能根据任务需求选择合适的工具或步骤，动态调整处理流程，更灵活地应对复杂任务。
- 记忆（Memory）：支持在多轮交互中保留上下文信息，使模型能理解对话历史，提升交互的连贯性。
LangChain主要组件
| 组件类别 | 核心功能 | 关键子组件/示例 |
|---|---|---|
| 模型（Models） | 提供基础的文本生成、理解和向量转换能力 | - 语言模型（LLMs）：GPT-4、Claude、Llama 等 - 聊天模型（Chat Models）：基于消息格式的对话模型 - 嵌入模型（Embedding Models）：OpenAI Embeddings、Sentence-BERT 等 |
| 提示（Prompts） | 优化输入到模型的提示词，实现动态生成和结构化输出 | - 提示模板（Prompt Templates）：动态插入变量的文本模板 - 示例选择器（Example Selectors）：动态选择少样本示例 - 输出解析器（Output Parsers）：将模型输出转为 JSON/列表等结构化格式 |
| 链（Chains） | 将多个步骤组合成流程，实现复杂功能 | - LLMChain：提示模板 + 模型的基础组合 - SequentialChain：多链按顺序执行（前序输出作为后序输入） - RouterChain：根据输入动态选择子链 - RetrievalQA：结合检索与模型生成回答 |
| 智能体（Agents） | 赋予模型自主决策能力，动态选择工具和步骤处理任务 | - 智能体类型（Agent Type）：如 zero-shot-react-description（基于工具描述决策） - 工具（Tools）：搜索引擎、代码解释器、API 等 - 执行器（Agent Executor）：运行决策循环（思考→调用工具→处理结果） |
| 记忆（Memory） | 保留多轮交互的上下文信息，提升对话连贯性 | - 短期记忆：ConversationBufferMemory（存储完整历史） - 摘要记忆：ConversationSummaryMemory（压缩历史） - 实体记忆：EntityMemory（跟踪实体属性） - 向量存储记忆：基于向量检索相关历史 |
| 检索（Retrieval） | 连接外部数据，让模型基于私有/最新数据生成回答（支持 RAG 场景） | - 文档加载器：加载 PDF、数据库、网页等来源的数据 - 文档分割器：将长文档拆分为适配模型窗口的片段 - 向量存储：Chroma、Pinecone、FAISS 等（存储文本向量） - 检索器：根据查询返回最相关的文档片段 |
LangChain安装
shell
pip install -U langchain langchain-openai langchain-community -i https://mirrors.aliyun.com/pypi/simple --trusted-host=mirrors.aliyun.comLangChain入门
通过LangChain调用百炼模型API
python
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage, AIMessage, SystemMessage
# 配置阿里云百炼参数
API_KEY = "sk-"
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
# 初始化模型
model = init_chat_model(
model="qwen3-max",
model_provider="openai",
api_key=API_KEY,
base_url=BASE_URL
)
# 创建消息
system_msg = SystemMessage("You are a helpful assistant.")
human_msg = HumanMessage("你是谁？")
messages = [system_msg, human_msg]
# 调用并输出结果
response = model.invoke(messages)
print("模型回复：", response.content)热门开源项目
| 框架名称 | 核心特点 / 定位 | 主要适用场景 | GitHub Star 数量 (约) | 项目地址 |
|---|---|---|---|---|
| LangChain | 基于 Python/JavaScript 的开源编排框架，采用模块化设计，提供统一的LLM接口、提示模板、链（Chains）、代理（Agents）、记忆（Memory）和检索（RAG）等组件，简化大模型应用开发 。 | 构建聊天机器人、智能问答系统、文档分析与总结、基于检索增强生成（RAG）的应用以及自动化工作流等 。 | 120k | GitHub - langchain-ai/langchain |
| LangGraph | LangChain 官方出品，采用图结构管理有状态的、多步骤的智能体工作流，支持循环和条件分支。 | 复杂多轮对话、需动态规划的任务、多智能体系统。 | 21k | GitHub - langchain-ai/langgraph |
| Dify | 低代码/可视化的 LLM 应用开发平台，强调开箱即用和完整的 LLMOps 能力（如监控、评估）。 | 快速构建和部署生产级的 AI 应用（如聊天机器人、RAG 系统），适合追求应用交付效率的团队。 | 119k | GitHub - langgenius/dify |
| Coze（扣子） | 字节跳动推出的低代码平台，注重多模态交互（文本、语音、图像）和丰富的预制组件与插件。 | 开发具备多模态能力的智能体，并快速集成到如豆包等平台。 | GitHub - coze-dev | |
| LlamaIndex | 专精于数据索引和检索，为 RAG 应用提供高效的文档处理、分块和向量检索能力，常与 LangChain 搭配使用。 | 构建高性能的检索增强生成（RAG） 系统，专注于优化知识库的接入和查询。 | 46k | GitHub - jerryjliu/gpt_index |
| AutoGen | 微软推出，专注于多智能体协作，通过多个自主智能体之间的对话来共同解决复杂任务。 | 需要多个 AI 智能体分工协作的复杂场景，如自动化软件开发、复杂问题研究。 | 52k | GitHub - microsoft/autogen |
| Haystack | 一个功能全面的开源问答系统和搜索框架，支持端到端的文档处理、检索和阅读理解流程。 | 构建企业级的知识库问答、智能搜索和语义检索应用。 | 23k | GitHub - deepset-ai/haystack |
| n8n | 基于节点的工作流自动化工具，通过可视化界面连接各种应用和 API，并深度集成 AI 节点。 | 将 AI 能力嵌入到复杂的业务自动化流程中，实现跨系统的工作流。 | 156k | GitHub - n8n-io/n8n |
- 与 LangGraph 的关系：LangGraph 是 LangChain 生态内用于构建复杂、有状态工作流的高阶引擎，可以看作是 LangChain 能力的延伸和专业化 。
- 与专用工具（如 LlamaIndex）的关系：LlamaIndex 在数据索引和检索方面非常专精，常与 LangChain 配合使用，由 LlamaIndex 负责高效检索，LangChain 负责整体的流程编排、记忆管理和工具调用 。
- 如果你旨在将AI能力集成到现有的自动化流程中：n8n 这类工作流工具可能比纯AI框架更合适
- 与低代码平台（如 Dify, Coze）的区别：LangChain 主要面向开发者，通过代码提供高度的灵活性和定制能力；而 Dify 和 Coze 等低代码平台则通过可视化界面降低使用门槛，强调快速应用交付。
补充：
- GraphRAG：动态知识图谱增强，新一代RAG技术