概述
LangChain 是一个用于构建 LLM 应用的开发框架，提供了模型调用、提示词管理、链式调用、记忆、工具调用、RAG 等核心抽象，加速 AI 应用开发。
核心模块
1. Model I/O（模型交互）
Chat Models
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4", temperature=0)
response = llm.invoke("什么是向量数据库？")
Prompt Templates
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}。"),
("human", "{question}")
])
chain = prompt | llm
response = chain.invoke({"role": "技术专家", "question": "解释微服务架构"})
2. Chains（链）
LCEL（LangChain Expression Language）
- 使用
|管道操作符组合组件 - 支持流式输出、批处理、异步
chain = prompt | llm | output_parser
result = chain.invoke({"role": "助手", "question": "你好"})
3. RAG（检索增强生成）
基本流程
文档 → 分割 → Embedding → 向量存储 → 检索 → 注入 Prompt → LLM 生成
文档加载与分割
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
loader = TextLoader("knowledge.txt")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)
向量存储
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
RAG Chain
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
template = """基于以下上下文回答问题：
{context}
问题：{question}
"""
rag_prompt = ChatPromptTemplate.from_template(template)
def format_docs(docs):
return "\n\n".join(doc.page_content for doc in docs)
rag_chain = (
{"context": retriever | format_docs, "question": RunnablePassthrough()}
| rag_prompt
| llm
| StrOutputParser()
)
response = rag_chain.invoke("什么是微服务？")
4. Agents（智能体）
Tool 定义
from langchain_core.tools import tool
@tool
def search_weather(city: str) -> str:
"""查询指定城市的天气"""
# 实际调用天气 API
return f"{city}今天晴，25°C"
@tool
def calculate(expression: str) -> str:
"""计算数学表达式"""
return str(eval(expression))
ReAct Agent
from langchain.agents import create_react_agent
tools = [search_weather, calculate]
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "北京天气如何？"})
5. Memory（记忆）
对话历史管理
from langchain_core.messages import HumanMessage, AIMessage
from langgraph.graph.message import add_messages
# 使用消息列表管理对话历史
messages = [
HumanMessage(content="你好"),
AIMessage(content="你好！有什么可以帮你的？"),
]
与 LangGraph 的关系
- LangChain：提供基础组件（模型、工具、提示词）
- LangGraph：在 LangChain 之上提供有状态的 Agent 编排
常见面试题
- LangChain 的核心模块有哪些？
- RAG 的原理和实现流程？
- LCEL 管道操作符的优势？
- Agent 和 Chain 的区别？
- 如何优化 RAG 的检索效果？