SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场langchain

langchain

智能体与模型

查看项目

更新于 10-15 04:47

技能介绍

LangChain 是构建 LLM 应用的主流框架，定位为用智能体、链和 RAG 来开发 LLM 驱动的应用。

【用途与适用场景】 资料列出适合使用 LangChain 的场景包括：构建带工具调用和推理（ReAct 模式）的智能体；实现 RAG（检索增强生成）管线；需要轻松切换 LLM 提供商（OpenAI、Anthropic、Google）；创建带对话记忆的聊天机器人；快速原型开发 LLM 应用；借助 LangSmith 可观测性进行生产部署。资料同时建议在以下情况改用替代方案：LlamaIndex 更聚焦 RAG、更适合文档问答；LangGraph 适合复杂有状态工作流、控制力更强；Haystack 用于生产检索管线；Semantic Kernel 面向微软生态。

【主要能力与核心概念】

  1. 模型（Models）：LLM 抽象层，可用 ChatOpenAI、ChatAnthropic、ChatGoogleGenerativeAI 等，方便切换提供商，并支持流式输出（stream）。
  2. 链（Chains）：顺序操作，通过 PromptTemplate 定义提示模板，用 LLMChain 组合运行，例如生成关于某主题的三句话摘要。
  3. 智能体（Agents）：工具调用推理，采用 ReAct（推理+行动）模式，用 create_tool_calling_agent、AgentExecutor 及自定义 Tool 构建，可在多步中自动调用工具。
  4. 记忆（Memory）：对话历史，通过 ConversationBufferMemory 与 ConversationChain 实现多轮对话记忆。
  5. RAG：基础管线包括文档加载（如 WebBaseLoader）、文本切分（RecursiveCharacterTextSplitter，chunk_size=1000、chunk_overlap=200）、embedding 与向量存储（Chroma）、检索器（as_retriever，k=4）以及 RetrievalQA 问答链，可返回来源文档。还支持带记忆的 ConversationalRetrievalChain 多轮 RAG。
  6. 高级模式：结构化输出（with_structured_output + Pydantic 模型）、并行工具执行、流式智能体执行。
  7. 常见模式：多文档问答（load_qa_with_sources_chain）并附来源引用；带错误处理的自定义工具（@tool 装饰器 + try/except）。
  8. LangSmith 可观测性：设置 LANGCHAIN_TRACING_V2、LANGCHAIN_API_KEY、LANGCHAIN_PROJECT 后，链与智能体会被自动追踪。
  9. 向量存储：资料给出 Chroma（本地）、Pinecone（云）、FAISS（相似度搜索）的用法示例。
  10. 文档加载器：网页、PDF、GitHub、CSV 等。
  11. 文本切分：递归切分（通用推荐）、PythonCodeTextSplitter（代码感知）、SemanticChunker（按语义，来自 langchain_experimental）。

【使用方式】 安装：核心库 pip install -U langchain（需 Python 3.10+）；按提供商安装 pip install langchain-openai 或 pip install langchain-anthropic；常见扩展 pip install langchain-community（500+ 集成）、pip install langchain-chroma（向量存储）。基础用法为初始化模型后调用 llm.invoke()；构建智能体用 create_agent(model=..., tools=[...], system_prompt=...) 并用 agent.invoke({"messages": [...]}) 运行。

【最佳实践】 从简单开始，多数情况用 create_agent()；启用流式提升体验；为工具添加错误处理；使用 LangSmith 调试智能体；RAG 分块建议 500-1000 字符；对提示进行版本管理；缓存 embedding；用 LangSmith 监控成本。

【性能与对比】 资料给出的参考延迟：简单 LLM 调用约 1-2 秒；带 1 个工具的智能体约 3-5 秒；RAG 检索约 0.5-1 秒；embedding 1000 篇文档约 10-30 秒（均依提供商/模型而定）。LangChain 与 LangGraph 对比：LangChain 适合快速智能体与 RAG、抽象层级高、启动代码少于 10 行、控制简单；LangGraph 适合复杂工作流、抽象层级低、约 30 行起、可全控制、原生支持有状态工作流与循环图及高级人机协同。

【指标与资源】 GitHub 星标 119,000+；272,000+ 仓库使用；500+ 集成；3,800+ 贡献者。版本 0.3+（稳定），许可证 MIT。官网文档 https://docs.langchain.com，API 参考 https://reference.langchain.com/python，LangSmith https://smith.langchain.com，GitHub https://github.com/langchain-ai/langchain。

【限制】 资料未提供具体收费与价格信息，该部分暂未提供。