LangChain 从入门到企业级 AI 应用开发
目录
在大模型时代，单纯调用 LLM API 已经无法满足复杂业务需求。
企业级 AI 应用需要：
-
连接企业数据
-
调用外部工具
-
构建自动化工作流
-
设计复杂 Agent
而 LangChain 正是为此而生。
本文将系统介绍：
-
LangChain 核心架构
-
核心模块解析
-
RAG 应用开发
-
Agent系统
-
企业级AI应用架构
帮助你 从0到1掌握 AI 应用开发。
一、什么是 LangChain
LangChain 是一个 大模型应用开发框架，用于将 LLM 与：
-
数据、工具、业务逻辑、工作流
连接起来，从而构建复杂 AI 应用。
LangChain 让大模型真正具备 “行动能力”。
二、LangChain 核心架构
LangChain 的整体架构可以理解为五个核心模块：
┌─────────────┐
│ LLM │
└──────┬──────┘
│
┌─────────────┼─────────────┐
│ │ │
Prompt Memory Tools
│ │ │
└─────────────┼─────────────┘
│
Agent
│
应用
核心模块包括：
| 模块 | 作用 |
|---|---|
| Prompt | 提示词管理 |
| LLM | 大模型接口 |
| Memory | 对话记忆 |
| Tools | 工具调用 |
| Agent | AI决策系统 |
三、LangChain 核心模块解析
1、 LLM（大模型接口）
LangChain 通过统一的 LLM接口抽象层（LLM Wrapper），可以接入几乎所有主流大模型，包括：
国际主流模型
-
GPT-4、Claude、Llama
国内主流模型
-
DeepSeek、Qwen、ERNIE Bot
本地开源模型
-
Mistral、Gemma、Yi
因此，LangChain 可以作为 统一的大模型应用开发框架。
示例代码：调用大模型
from langchain_openai import ChatOpenAI
# 初始化模型
llm = ChatOpenAI(
model="gpt-4o",
temperature=0.7
)
# 调用模型
response = llm.invoke("介绍一下 LangChain 的作用")
print(response.content)
输出示例：
LangChain 是一个用于构建大语言模型应用的框架，
可以帮助开发者将大模型与外部数据源、工具和
业务逻辑结合，从而构建复杂的 AI 应用系统。
示例：调用 DeepSeek
如果使用国内模型，例如 DeepSeek：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="deepseek-chat",
base_url="https://api.deepseek.com",
api_key="your_api_key"
)
response = llm.invoke("LangChain 的核心模块有哪些？")
print(response.content)
示例：调用本地开源模型
如果使用本地模型（例如 Ollama）：
from langchain_community.chat_models import ChatOllama
llm = ChatOllama(
model="llama3"
)
response = llm.invoke("LangChain 的作用是什么？")
print(response.content)
2、LangChain 模型适配架构
LangChain 的核心思想是 统一接口 + 模型适配层：
LangChain
│
┌───────┼────────┐
│ │ │
OpenAI DeepSeek Ollama
│ │ │
GPT4 V3 Llama3
2.1 Prompt（提示词工程）
Prompt 是 AI 应用开发最核心的能力。
示例：
from langchain.prompts import PromptTemplate
template = """
你是一名AI专家。
问题：
{question}
回答：
"""
prompt = PromptTemplate(
template=template,
input_variables=["question"]
)
2.2 Memory（记忆系统）
让 AI 具备上下文记忆能力。
示例：
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context(
{"input": "你好"},
{"output": "你好！"}
)
2.3 Tools（工具调用）
大模型可以调用外部系统，例如：
-
搜索、数据库、API
示例：
from langchain.tools import Tool
def search(query):
return "搜索结果"
tool = Tool(
name="search",
func=search,
description="用于互联网搜索"
)
四、RAG：企业AI的核心技术
RAG（Retrieval Augmented Generation）是当前最重要的 AI 应用模式。
核心流程：
用户问题
↓
向量检索
↓
相关知识
↓
大模型生成答案
典型架构：
文档
↓
文本切分
↓
Embedding
↓
向量数据库
↓
相似度搜索
↓
LLM回答
常见向量数据库：
-
FAISS、Chroma、Milvus、Pinecone、Weaviate、Qdrant
LangChain 提供统一的 VectorStore 抽象接口，可以接入绝大多数主流向量数据库。
LangChain 通过统一 API，使得开发者只需替换 VectorStore，即可切换数据库。
1、FAISS 示例代码（本地向量库）
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
texts = [
"LangChain 是一个 LLM 应用开发框架",
"RAG 是检索增强生成技术",
"向量数据库用于语义搜索"
]
# embedding
embeddings = OpenAIEmbeddings()
# 创建向量库
db = FAISS.from_texts(texts, embeddings)
# 相似度搜索
docs = db.similarity_search("什么是 LangChain")
for doc in docs:
print(doc.page_content)
2、Chroma 示例代码
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_texts(
texts=["LangChain框架", "RAG技术"],
embedding=embeddings,
persist_directory="./chroma_db"
)
docs = vectorstore.similarity_search("什么是RAG")
print(docs[0].page_content)
3、Milvus 示例代码（企业级向量库）
from langchain_community.vectorstores import Milvus
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
vector_db = Milvus.from_texts(
texts=["LangChain介绍", "AI知识库"],
embedding=embeddings,
connection_args={
"host": "localhost",
"port": "19530"
}
)
docs = vector_db.similarity_search("LangChain是什么")
print(docs[0].page_content)
4、Pinecone 示例代码（云向量数据库）
import pinecone
from langchain_pinecone import PineconeVectorStore
from langchain_openai import OpenAIEmbeddings
pinecone.init(
api_key="your_api_key",
environment="us-east-1"
)
embeddings = OpenAIEmbeddings()
vectorstore = PineconeVectorStore.from_texts(
texts=["AI应用开发", "LangChain教程"],
embedding=embeddings,
index_name="langchain-demo"
)
docs = vectorstore.similarity_search("AI应用")
print(docs)
5、Qdrant 示例代码
from langchain_community.vectorstores import Qdrant
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
vectorstore = Qdrant.from_texts(
texts=["AI Agent", "LangChain框架"],
embedding=embeddings,
url="http://localhost:6333"
)
docs = vectorstore.similarity_search("什么是AI Agent")
print(docs)
6、LangChain 向量数据库统一接口
LangChain 所有向量数据库都遵循同一套接口：
vectorstore.add_documents()
vectorstore.similarity_search()
vectorstore.similarity_search_with_score()
vectorstore.delete()
例如：
docs = vectorstore.similarity_search(
"LangChain是什么",
k=3
)
五、Agent：AI自动决策系统
Agent 是 LangChain 最强大的能力。
Agent 可以：
-
自动选择工具
-
分解任务
-
执行复杂流程
示例：
用户：帮我分析股票趋势
Agent：
1 搜索股票数据
2 计算指标
3 生成分析报告
LangChain Agent 架构：
用户问题
↓
Agent
↓
选择工具
↓
执行任务
↓
返回结果
六、LangChain 企业级应用场景
LangChain 已经在大量企业 AI 系统中应用。
典型场景包括：
1 企业知识库
企业文档
↓
向量数据库
↓
RAG问答
例如：
-
企业内部知识助手
-
技术文档问答
-
客服机器人
2 AI数据分析助手
自然语言
↓
SQL Agent
↓
数据库查询
↓
自动生成分析报告
3 AI自动化工作流
用户任务
↓
Agent拆解任务
↓
调用工具
↓
执行流程
七、LangChain 进阶：LangGraph
目前 LangChain 正在向 Agent 工作流系统演进。
代表框架：
-
LangGraph
LangGraph 可以构建：
-
多 Agent 协作
-
AI自动化流程
-
AI工作流系统
架构示例：
用户请求
↓
Planner Agent
↓
Worker Agent
↓
Tool Agent
↓
结果
八、LangChain 学习路线
推荐学习路线：
第一阶段（基础）
-
Prompt Engineering、LLM、Embedding、Vector DB
第二阶段（核心能力）
-
RAG系统、Agent系统、Tools
第三阶段（工程化）
-
LangGraph、AI Workflow、企业级AI系统架构
九、一个完整 AI 项目架构示例
企业 AI 知识助手：
前端（Vue）
│
▼
API（FastAPI）
│
▼
LangChain
│
▼
向量数据库（Milvus）
│
▼
LLM（DeepSeek / GPT）
十、总结
LangChain 已经成为 AI应用开发的核心框架之一。
核心能力包括：
-
LLM调用
-
RAG知识库
-
Agent系统
-
AI自动化工作流
未来的 AI 系统，本质都是：
大模型
+ 数据
+ 工具
+ 工作流
而 LangChain 正是连接这些能力的 AI应用操作系统。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
12
0- 0
已为社区贡献21条内容
所有评论(0)