LangChain入门学习笔记（一）—

LangChain入门学习笔记（一）——Hello World

什么是LangChain

LangChain是一个开源（github repo）的大语言模型应用开发框架，提供了一整套的工具、方法和接口去帮助程序员构建基于大语言模型的端到端应用。LangChain是长链（long chain）的意思，它的一个核心思想就是将应用的各阶段处理连成一条长串进行。

LangChain技术架构

官网中给出的LangChain架构图如下：

从图中不难看出，整个框架由以下几个库组成：

langchain-core：提供基础的抽象能力和LangChain表达语言（LCEL），这一层定义了LangChain的“协议”。
LangChain-Community：提供三方集成能力。比如一些合作伙伴的包，譬如langchain-openai / langchain-anthropic，通过LangChain-Community的接口与第三方服务进行交互。
LangChain：这一层提供的接口形成LangChain框架的基本认知架构，比如链、代理及检索策略(retrieval strategies)。

上面3个部分都提供了Python和JavaScript两个版本。下面是提供的工具：

Templates：用于构建和管理prompts模板，提供指令和上下文信息给到大模型。
LangServe：将LangChain的链部署为REST API服务。
LangSmith：一个用于debug、测试、评估和监控大模型应用的开发者平台工具。

LangChain核心学习要素

LangChain是一个大语言模型应用的开发框架，它的设计是围绕大语言模型的应用开发进行。简单说，基于大语言模型的应用在逻辑上划分为输入、模型处理、输出三个大的模块：

输入：包含prompt和retriever两大块内容。前者有Text、PromptTemplate、以及Example Selectors这些，后者主要是Document Loader、Text Splitter、Vector Store和Embedding等。
大模型：这是处理模块，包括LLM和Chat Model两大块概念。围绕它们有集成三方大模型接口、流化和缓存，以及Message类型等概念。
输出：大模型处理之后的输出，涉及到应用的结果展示，因此有各种数据的Parser类型。
组合：在上述三个实体之外，还有一些组合的概念，包括代理、链和工具，旨在扩展大模型的能力范围，提供更优的结果。

此外还有用于“粘合”模块的LCEL语言，提供了链式和并行处理机制。

LangChain版Hello World

LangChain的安装

安装LangChain库非常容易，以python版为例，只需执行如下命令：

pip install langchain

上面命令包含安装了langchain-core，如果需要单独安装langchain-core，可以执行：

pip install langchain-core

类似的，为了集成三方库，需要的langchain-community如下安装：

pip install langchain-community

安装langserver:

# 安装全部
pip install "langserve[all]"
## 仅安装client端
#pip install "langserve[client]"
## 仅安装server端
#pip install "langserve[server]"

安装langsmith：

pip install langsmith

LangChain本地运行LLM

LangChain支持使用api_key调用类似OpenAI和Anthropic的三方LLM，这里为了实现的稳定性选择本地方式部署，通过Ollama封装调用本地LLM。

安装Ollama

Ollama之于LLM，就像Docker之于Image。从Ollama官网下载对应版本安装Ollama后，执行下面命令获取模型：

#请结合本地硬件资源选择合适的模型
#可以参考Ollama官网介绍的模型参数规模来确定具体部署哪些模型
#https://ollama.com/library
ollama pull llama2

使用ollama list命令查看LLM是否已经拉取到本地：

LangChain的“Hello World!”

一个LangChain版本的"Hello World"代码如下：

from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

#加载llama3模型。
llm = Ollama(model="llama3")

#生成prompt模板。
prompt = ChatPromptTemplate.from_template("Hello {name}!")

#输出解析。
output_parser = StrOutputParser()

#LCEL生成链。
chain = prompt | llm | output_parser

#调用链，传入模板参数，注意传入的是字典对象。
response = chain.invoke({"name": "World"})

#打印响应结果
print(response)

上面代码输入一个简单文本，经过llm处理后，输出经过解析后最终给出模型应用的结果：