文章目录
- 什么是 LangChain
- LangChain包及核心模块划分
- 1. LangChain所包含的包
- 2.LangChain核心模块划分
- 2.1 Model I/O
- 2.2 Chains
- 2.3 Retrieval
- 2.4 Agents
什么是 LangChain
LangChain是2022年10月，由哈佛大学的Harrison Chase（哈里森·蔡斯）发起研发的一个开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。
以下是关于LangChain的相关网址链接
- github地址：https://github.com/langchain-ai/langchain
- 官网地址：https://www.langchain.com/langchain
- 官方文档：https://docs.langchain.com/oss/python/langchain/overview
- API 文档：https://reference.langchain.com/python/langchain/
LangChain可用于如下多种场景，例如：搭建 Agent、问答系统（QA）、文档搜索系统等。
LangChain的发布比ChatGPT问世还要早一个月，从这个启动日期也可以看出创始人的眼光，占了先机的它迅速获得广泛关注和支持！
LangChain在Github上的热度变化：
下面通过两个问题，来看下LangChain所提供的价值：
1）问题1：LLMs用的好好的，为什么还需要LangChain？
在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能“使用”这些模型，还希望能将它们灵活集成到自己的应用中，实现更强大的对话能力、检索增强生成（RAG）、工具调用（Tool Calling）、多轮推理等功能。
问题2：我们可以使用GPT 或GLM4 等模型的API进行开发，为何需要LangChain这样的框架？
不使用LangChain，确实可以使用GPT 或GLM4 等模型的API进行开发。
但使用LangChain的好处：
- 简化开发难度：更简单、更高效、效果更好。
- 开发人员可以更专注于业务逻辑，而无须花费大量时间和精力处理底层技术细节。
- 学习成本更低：不同模型的API不同，调用方式也有区别，切换模型时学习成本高。使用LangChain，可以以统一、规范的方式进行调用，有更好的移植性。
- 现成的Agent构建方法：LangChain提供了现成的构建Agent的方式。让复杂的逻辑变得结构化、易组合、易扩展。
LangChain包及核心模块划分
1. LangChain所包含的包
LangChain所包含的包及其描述，如下所示：
| 包 | 描述 |
|---|---|
| langchain | 包含构建使用 LLM 的应用所需的所有实现的主入口点 |
| langchain-core | LangChain 生态系统中的核心接口和抽象 |
| langchain-openai/deepseek | Langchain和OpenAI（deepseek）集成包。langchain还包含一系列集成包，这些集成包涵盖了文本生成模型，工具，文档加载，向量存储等多个方面，构成了langchain生态系统。 |
| langchain-mcp-adapters | 在 LangChain 和 LangGraph 应用中提供 MCP 工具 |
| langchain-text-splitters | 用于文档处理的文本分割工具 |
| langchain-tests | 用于验证 LangChain 集成包实现的标准化测试套件 |
| langchain-classic | 遗留的 langchain 实现和组件，主要为1.0.0版本以前的相关内容 |
2.LangChain核心模块划分
LangChain的核心组件，从逻辑上可以划分为以下四大部分：Model I/O、Chains、RAG、Agents。
2.1 Model I/O
标准化大模型的输入和输出，包含提示模版，模型调用和格式化输出。
- Format（格式化）：通过模板管理大模型的输入。将原始数据格式化成模型可以处理的形式，插入到一个模板中，然后送入模型进行处理。
- Predict（预测）：调用 LLM 接收输入，进行预测或生成回答。
- Parse（解析）：规范化模型输出。比如将模型输出格式化为 JSON。
2.2 Chains
“链条”用于将多个组件组合成一个完整的流程，方便链式调用。
2.3 Retrieval
对应RAG：检索外部数据，作为参考信息输入LLM辅助生成答案。
2.4 Agents
Agent 自主规划执行步骤并使用工具来完成任务。
