国产成人一区二区三区免费观看,国产女人综合久久精品视,国产美女亚洲精品久久久综合91

一、為什么選擇 LangChain？它解決了什么問題？

雖然 GPT-4、ChatGPT 等大模型擁有驚人的生成能力，但在實際應(yīng)用中常常遇到諸多限制：

上下文限制：單次對話長度有限，無法完整表達復(fù)雜業(yè)務(wù)邏輯。
知識盲區(qū)：模型對最新或?qū)I(yè)領(lǐng)域知識掌握有限。
工具調(diào)用困難：需要將模型生成的文本和外部 API 或系統(tǒng)聯(lián)動。
信息檢索：無法直接訪問自定義知識庫，實現(xiàn)語義級別的信息匹配。

LangChain 的出現(xiàn)，就是為了構(gòu)建“鏈?zhǔn)秸{(diào)用”機制，將模型輸出與多種工具和數(shù)據(jù)源串聯(lián)起來，解決以上痛點。它支持多種 LLM，配合模塊化鏈條，極大提高 LLM 應(yīng)用的靈活性和實用性。

二、LangChain 核心組件解析

了解 LangChain，需先掌握以下幾個核心模塊：

1. Chain（鏈）

鏈?zhǔn)?LangChain 的核心設(shè)計單位，代表一個任務(wù)的步驟集合。可以將多個鏈以串聯(lián)、并聯(lián)方式組合，支持條件分支和動態(tài)調(diào)用。

2. Prompt Template（提示模板）

用于動態(tài)構(gòu)造 LLM 輸入提示，支持參數(shù)填充和格式化。

3. Memory（記憶）

幫助模型在對話或多輪任務(wù)中保持上下文，支持短期與長期記憶。

4. Tools（工具）

外部能力封裝，如調(diào)用搜索引擎、計算器、數(shù)據(jù)庫等。

5. Document Loaders & Vector Stores（文檔加載器和向量數(shù)據(jù)庫）

幫助加載文本或結(jié)構(gòu)化數(shù)據(jù)，將信息轉(zhuǎn)成向量用于語義檢索。

三、2025 年最新 LangChain 開發(fā)環(huán)境搭建

1. 安裝核心依賴

pip install langchain openai faiss-cpu

LangChain：主框架
OpenAI：GPT-4 或 GPT-3.5 接口調(diào)用
FAISS：Facebook 開源的高效向量檢索庫

如需 GPU 支持，安裝 faiss-gpu。

2. 配置 OpenAI API Key

前往 OpenAI 控制臺創(chuàng)建 API Key，導(dǎo)出環(huán)境變量：

export OPENAI_API_KEY='你的API密鑰'

四、鏈?zhǔn)秸{(diào)用實戰(zhàn)：構(gòu)建智能問答助手

假設(shè)我們要打造一個基于上下文多輪對話、集成搜索與計算功能的智能助理。

1. 構(gòu)建 Prompt 模板

from langchain.prompts import PromptTemplate

template = """
你是一個智能助理。用戶的問題是：{question}
請給出詳細、準(zhǔn)確的回答。
"""
prompt = PromptTemplate(input_variables=["question"], template=template)

2. 定義 LLM 調(diào)用

from langchain.llms import OpenAI

llm = OpenAI(temperature=0.7, model_name="gpt-4")

3. 設(shè)計簡單鏈條

from langchain.chains import LLMChain

qa_chain = LLMChain(llm=llm, prompt=prompt)

response = qa_chain.run(question="2025年AI發(fā)展趨勢如何？")
print(response)

五、向量檢索集成：實現(xiàn)知識庫問答

大模型知識庫有限，集成向量檢索是解決方案。以下演示如何用 FAISS 向量數(shù)據(jù)庫搭建語義搜索。

1. 文檔加載與分塊

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

loader = TextLoader("knowledge_base.txt")
documents = loader.load()

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
texts = text_splitter.split_documents(documents)

2. 嵌入向量生成

from langchain.embeddings.openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

3. 構(gòu)建 FAISS 向量索引

from langchain.vectorstores import FAISS

vectorstore = FAISS.from_documents(texts, embeddings)

4. 創(chuàng)建檢索鏈

from langchain.chains import RetrievalQA

retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k":3})
qa = RetrievalQA.from_chain_type(llm=llm, retriever=retriever)

query = "什么是鏈?zhǔn)秸{(diào)用？"
result = qa.run(query)
print(result)

六、結(jié)合工具調(diào)用，實現(xiàn)更復(fù)雜的多步驟任務(wù)

LangChain 支持接入自定義工具，比如天氣查詢、計算器、數(shù)據(jù)庫接口等，實現(xiàn)“模型+工具”的閉環(huán)。

1. 自定義工具示例：計算器

from langchain.agents import Tool
import math

def calculator_fn(query: str) - > str:
    try:
        return str(eval(query))
    except Exception as e:
        return "無法計算：" + str(e)

calculator_tool = Tool(
    name="Calculator",
    func=calculator_fn,
    description="執(zhí)行數(shù)學(xué)表達式的計算"
)

2. Agent 結(jié)合工具調(diào)用

from langchain.agents import initialize_agent, AgentType

tools = [calculator_tool]

agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

response = agent.run("計算 345 * 23 的結(jié)果是多少？")
print(response)