Langchain认知引入

Langchain设计定位

Langchain starts as an open-source development framework for building LLM applications.

Langchain提供了一套工具、组件和接口 ，简化了创建LM应用的过程

LangChain从0.3X到1.X发生了结构性变化

LangChain：多任务应用开发

Langchain认知引入

Langchain设计定位

Langchain starts as an open-source development framework for building LLM applications.

Langchain提供了一套工具、组件和接口 ，简化了创建LM应用的过程

LangChain从0.3X到1.X发生了结构性变化

1)包结构完全重构:

langchain-core:只放抽象基类与LangChain Expression Language (LCEL)，所有第三方集成都不直接依赖完整langchain。

langchain-community:社区维护的几十种loader、retriever、tool 等实现。

合作伙伴包独立成库，例如langchain-openai、langchain-anthropic，体积更小、升级更灵活

2)新增官方子项目

LangGraph:用图编排多步、多角色、有状态的工作流，替代过去靠多重Chain嵌套的写法。LangServe:一键把链/代理封装成REST API,自带/invoke、/stream、/batch端点与Swagger 页面。LangSmith:可视化调试、回归测试、在线监控平台，与1.x的回调系统深度打通。

3)API风格全面转向LCEL(链式表达式)

鼓励用|运算符把组件拼成Runnable，而不是继承Chain基类。

Toolkit components

Models:模型，比如GPT-4o

Prompts:提示，包括提示管理、提示优化和提示序列化

Memory:记忆，用来保存和模型交互时的上下文

Indexes:索引，用于结构化文档，方便和模型交互---

如果要构建自己的知识库，就需要各种类型文档的加载，转换，长文本切割，文本向量计算，向量索引存储查询等；

Chains:链，一系列对各种组件的调用

Agents:代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止

LangChain整体架构

运行报错和处理方式**

代码回溯，**核心报错原因：**

DeepLearning.ai两年前视频里使用的 openai 库版本 ≥1.0.0，而代码中调用的 openai.ChatCompletion 是旧版（0.28 及以下）接口，已被移除；

Jupyter给出**两种解决方案：**

① 运行 openai migrate 自动升级代码适配新版 API；

② 安装旧版 pip install openai==0.28 兼容原有代码；

代码管道工检修之后，继续运行

langchain组合模式

旧式多重Chain嵌套，现在是LangGraph趋势

Simple Sequential Chain

CASE：prompt I LLM执行链

Sequential Chain

CASE：prompt I LLM执行链

ReAct流程，LLM思考步骤--规划步骤--执行--反思结果，需要自主决策和调用tool

CASE：检索某个城市当前温度，加简单换算

Router Chain---不同目标工具链的并联式架构

Prompt:任务说明和回答模板template

Defoult chain---默认链

当agent将input判断为设置的几种工具链之外时，一种保底/控制错误输出的后手链。

上文demo引用文件的下载链接

OutdoorClothingCatalog_1000.csv · master · valyakuttan / langchain_for_llm · GitLab

配置环境一步一坑，坑坑难过坑坑过**

创建 VectorstoreIndexCreator 实例时，只传了 vectorstore_cls 参数，但该类必须指定 embedding（嵌入模型）：

# 补充必填的 embedding 参数 index =

VectorstoreIndexCreator( vectorstore_cls=DocArrayInMemorySearch,

embedding=OpenAIEmbeddings()

# 新增嵌入模型参数 ).from_loaders([loader])

继续施法添加

Question Answering overDocuments

Index-embedding联合检索：

在运行时使用index来找到与传入查询最相关的文本片段

Embedding&vectorstore---Langchain采用的Stuff与其他3种与LLM交互方式

Memory---短时与长存模式

CASE：创建记忆功能的对话

主流AI Agent对比

CASE:搭建故障诊断Agent

网络故障诊断Agent代码逻辑

主要执行流程