LangChain：介绍

LangChain是一个用于开发基于大语言模型（LLM）的AI应用程序的框架。简化了LLM应用生命周期的每个阶段。

来源官网：LangChain Introduction

介绍

LangChain简化了LLM应用生命周期的每个阶段：

开发阶段‌：使用LangChain的开源组件和第三方集成构建应用。通过LangGraph构建最优的流式处理和支持人机交互的状态化智能体。

生产阶段‌：运用LangSmith对应用进行检测、监控和评估，从而持续优化并充满信心地部署。

部署阶段‌：通过LangGraph Platform将您的LangGraph应用转化为生产级API和智能助手。

LangChain 为大型语言模型及相关技术（如嵌入模型和向量数据库）实现了标准化接口，并与数百家服务提供商完成集成。更多详情请参阅集成页面。

使用示例，基于Python开发语言：

1. 安装依赖库：

   pip install -qU "langchain[openai]"

2. 调用大语言模型

   import getpass
   import os
   # 导入环境变量
   if not os.environ.get("OPENAI_API_KEY"):
     os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")
   # 导入大语言模型
   from langchain.chat_models import init_chat_model
   # 初始化大语言模型
   model = init_chat_model("gpt-4o-mini", model_provider="openai")
   # 调用大语言模型
   model.invoke("Hello, world!")

架构

LangChain 框架由多个开源库组成。更多可参考架构页面。

langchain-core

langchain-core：聊天模型和其他组件的基本抽象。

此包包含不同组件的基本抽象以及将它们组合在一起的方法。聊天模型、矢量存储、工具等核心组件的接口在这里定义。此处未定义第三方集成。依赖关系非常轻量级。

Integration packages

热门集成方案均提供独立安装包（例如 langchain-openai、langchain-anthropic 等），从而实现规范的版本管理并保持轻量化特性。重要的集成已被拆分为轻量级包，由langchain团队和集成开发人员共同维护。

有关更多信息，请参阅：

• 集成包列表
• API参考，您可以在其中找到有关每个集成包的详细信息。

langchain

langchain：构成应用程序认知架构的链、代理和检索策略。

关键的langchain包包含构成应用程序认知架构的链和检索策略。这些不是第三方集成。这里的所有链、代理和检索策略并不特定于任何一个集成，而是适用于所有集成。

langchain-community

langchain社区：由社区维护的第三方集成。

此软件包包含由LangChain社区维护的第三方集成。关键集成包是分开的（见上文）。这包含各种组件（聊天模型、矢量存储、工具等）的集成。此包中的所有依赖项都是可选的，以使包尽可能轻。

langgraph

langgraph：一个编排框架，用于将 LangChain 组件整合为生产级应用，支持持久化、流式处理等关键功能。详情请参阅 LangGraph 文档。

langgraph 是 langchain 的扩展框架，旨在通过将操作步骤建模为图中的边（edges）和节点（nodes），帮助开发者基于大语言模型构建健壮的、具备状态维护能力的多智能体应用系统。

该框架提供双重接口：既包含面向常见智能体类型的高层封装接口，也开放了用于编排自定义流程的底层API。

聊天模型调用

使用 LangChain 的 ChatOpenAI 聊天模型API调用大模型

from langchain_core.messages import SystemMessage, AIMessage, HumanMessage
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-chat",  # 或 "deepseek-coder" 等具体模型
    api_key="xxxxxxxxxx",
    base_url="https://api.deepseek.com",
    temperature=0.7,
    max_tokens=1024,
)

messages = [
    SystemMessage(content="你是个取名大师，你擅长为创业公司取名"),
    HumanMessage(content="一家新型消费电子创业公司需要取名，中文名称英文名，读英相近，要有极客风格")
]

response = llm.invoke(messages)
print(response.content, end="\n")