Langchain的概念及核心LangChain是一个用于开发由大型语言模型驱动的应用程序的开源框架，它通过模块化设计将复杂的AI任务分解为可管理的组件，使开发者能够灵活构建、调试和扩展AI应用。其核心架构围绕三大关键模块展开：Components（组件）：这是 LangChain 的基础单元，包括 LLM Wrappers（大模型接口封装）、Prompt Templates（提示词模板）和 Indexes（信息检索索引）。这些组件为开发者提供了标准化的接口，可以快速连接不同的大模型（如 GPT、Bard），并统一管理提示词格式和数据检索逻辑，避免重复造轮子。Chains（链）：链是将多个组件按顺序组合起来解决特定任务的流程。例如，可以构建一个“文档问答链”：先通过 Indexes 从大量文本中检索相关信息，再用 Prompt Templates 生成结构化提示，最后调用 LLM 生成答案。这种链式结构让复杂任务变得透明可控，支持调试和可视化执行过程。Agents（代理）：代理是 LangChain 的高级功能，它允许大模型与外部环境交互。比如，Agent 可以根据用户指令自动调用 API、查询数据库或发送邮件，实现“自主思考+执行”的智能体能力。这突破了传统大模型仅能“回答问题”的局限，使其成为能主动完成任务的助手。LangChain 的设计哲学是“乐高式开发”，开发者可以像搭积木一样自由组合组件、链和代理，快速构建聊天机器人、文档分析工具、代码助手等应用。它还内置了记忆模块、事件回调等高级功能，支持多轮对话状态追踪和复杂工作流管理，是目前 AI 应用开发领域的主流框架之一。用一个具体的例子来理解上面的概念。让我们用一个非常经典且实用的场景——“智能旅行规划助手”，来把 LangChain 的这三个核心概念（Components、Chains、Agents）串起来理解。假设你想做一个 AI 应用，用户输入：“我想去日本玩5天，预算2万，帮我做个攻略并查一下明天的天气。”如果没有 LangChain，你只能把这句话直接扔给大模型（LLM），它可能会编造一个行程，而且完全不知道明天的真实天气（因为它没有联网能力）。有了 LangChain，我们可以这样构建这个应用：1. Components（组件）：基础的积木块这是最底层的工具。在这个场景里，我们需要准备以下“积木”：Prompt Templates（提示词模板）：你不能只把用户的原话给模型，需要包装一下。比如设计一个模板：“你是一个专业的旅行管家。用户想去{destination}玩{days}天，预算{budget}。请根据这些信息生成详细行程。” 这里的{}就是变量，随时可以替换。LLM Wrappers（模型接口）：这就是连接大脑的线。你可以选择连接 OpenAI 的 GPT-4，或者国内的通义千问。LangChain 帮你屏蔽了不同模型 API 的差异，换模型就像换个插头一样简单。Indexes（索引/检索工具）：如果你有一本私藏的《日本深度游指南》PDF，你需要把它变成向量数据库存起来，方便后续查找。这就是 Indexes 的作用。2. Chains（链）：按顺序执行的流水线现在积木有了，我们需要把它们按逻辑串起来，形成一个固定的工作流。任务：生成旅行攻略。链条逻辑：输入：接收用户说的“日本、5天、2万”。检索（Retrieval）：先去你的《日本深度游指南》数据库里检索相关的景点和餐厅信息（调用 Indexes 组件）。组装（Prompting）：把检索到的信息 + 用户的预算要求，填入 Prompt Template。生成（Generation）：把填好的提示词发给 LLM（调用 LLM Wrapper），让它写出具体的行程安排。输出：把生成的行程展示给用户。这一套动作是固定的，不管谁来问，都是这个流程，这就是 Chain。3. Agents（代理）：会思考、能动手的智能体这时候用户追加了一个需求：“帮我查一下明天东京的天气”。刚才那个固定的 Chain 傻眼了，因为它只会写攻略，不会查天气，也没有联网功能。这时候就需要Agent出场了。Agent 的大脑：Agent 接收到任务后，会先“思考”：用户要查天气，我手里没有这个数据，但我有一个叫Weather_API的工具可以用。Action（行动）：Agent 决定调用Weather_API，并自动填入参数“Tokyo, Tomorrow”。Observation（观察）：API 返回结果：“明天东京晴，25度”。Final Answer（最终回答）：Agent 拿到天气数据，再次调用 LLM，把天气信息整合进回复里，告诉用户：“明天东京天气晴朗，气温25度，非常适合出行！结合之前的攻略……”总结一下：Components是零件（发动机、轮胎、方向盘）。Chains是自动化流水线（零件A - 零件B - 零件C，只能做固定的事）。Agents是老司机（根据路况自己决定是用零件A还是零件B，甚至下车去问路）。Langchain的底层原理用 Python 实现一个能“查天气”的 Agent，核心在于让大模型拥有**调用外部工具（Tools）**的能力。下面我将使用 LangChain 最经典的create_react_agent模式来演示。为了让代码可以直接运行且无需申请复杂的 API Key，我编写了一个模拟的天气查询函数，并配合 OpenAI 风格的接口进行演示。🛠️ 核心代码实现你需要安装langchain和openai（或其他 LLM 提供商的库）。# 1. 导入必要的库fromlangchain.agentsimportinitialize_agent,Toolfromlangchain.agentsimportAgentTypefromlangchain.chat_modelsimportChatOpenAI# 或者使用 ChatOllama, ChatTongyi 等importos# 【前置准备】设置你的 API Key (这里以 OpenAI 为例)# os.environ["OPENAI_API_KEY"] = "sk-..."# 2. 定义工具 (Tools) - 这是 Agent 的"手"defget_weather_mock(city:str)-str:""" 这是一个模拟的天气查询工具。 在实际项目中，你可以在这里调用 requests 库去访问真实的天气 API。 """print(f"\n[系统日志] Agent 正在调用工具查询{city}的天气...")# 模拟简单的逻辑weather_data={"北京":"晴朗，25度，微风","上海":"小雨，22度，湿度80%","东京":"多云转晴，26度，适合出行","纽约":"大雪，-5度，注意保暖"}# 如果城市不在字典里，返回通用回复returnweather_data.get(city,f"抱歉，我暂时查不到{city}的具体天气数据，但通常这个时候气候宜人。")# 将函数封装成 LangChain 能识别的 Tool 对象weather_tool=Tool(name="WeatherChecker",# 工具名称（Agent 会根据这个名字决定何时调用它）func=get_weather_mock,# 实际执行的函数description="当你需要查询某个城市的天气情况时使用此工具。输入必须是城市名称，例如：'北京' 或 'Tokyo'。")tools=[weather_tool]# 3. 初始化大模型 (LLM) - 这是 Agent 的"大脑"# 这里假设你配置好了 OpenAI 的环境变量llm=ChatOpenAI(model_name="gpt-3.5-turbo",temperature=0)# 4. 创建 Agent (代理)# 使用 ZERO_SHOT_REACT_DESCRIPTION 类型，它非常适合这种根据描述自动选择工具的场景agent=initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True# 开启 verbose=True 可以看到 Agent 的思考过程（非常重要！）)# 5. 运行测试print("--- 开始对话 ---")response=agent.run("我想去东京玩，那边明天天气怎么样？适合穿什么？")print(f"\n--- 最终回答 ---\n{response}")🔍 代码运行后的内部逻辑解析当你运行这段代码时，如果开启了verbose=True，你会在控制台看到类似下面的思维链（Chain of Thought），这正是 Agent 神奇的地方：用户输入：“我想去东京玩，那边明天天气怎么样？”Agent 思考 (Thought)：用户想知道东京的天气。我需要先查询天气信息才能回答。我应该使用WeatherChecker工具。Agent 行动 (Action)：WeatherCheckerAgent 输入 (Action Input)："东京"工具执行：控制台打印[系统日志] Agent 正在调用工具查询 东京 的天气...工具返回 (Observation)："多云转晴，26度，适合出行"Agent 再次思考 (Thought)：我现在知道了东京天气是26度，多云转晴。这个温度比较舒适，我可以建议用户穿轻便的衣服。我现在可以回答用户了。最终输出 (Final Answer)：“东京明天的天气预计是多云转晴，气温约26度。这个温度非常舒适，建议您穿着短袖、薄衬衫或连衣裙等轻便衣物，早晚可以备一件薄外套。”💡 关键点总结Tool 的定义是关键：Agent 本身不知道什么是“天气”，你必须通过description明确告诉它：“当用户问天气时，请用这个工具”。描述写得越清楚，Agent 越聪明。ReAct 模式：代码中使用的ZERO_SHOT_REACT_DESCRIPTION是一种经典的 Agent 范式，代表Reasoning (推理) +Action (行动)。它让模型在给出最终答案前，先进行“思考-行动-观察”的循环。替换真实 API：你只需要修改get_weather_mock函数，在里面加入requests.get('https://api.weather.com/...')的代码，它就能变成一个真正的实时天气助手。