LangChain 的核心模块（Models, Prompts, Chains, Memory, Agents）

以下内容为AI对话生成

核心模块概览

可以把这五大模块想象成一个智能机器人的不同部分：

  • Models（模型）：机器人的“大脑”，负责真正的思考和生成。
  • Prompts（提示）：你给机器人的“指令”和“问题背景”，引导它如何思考。
  • Chains（链）：机器人的“工作流程”，把简单任务组合成复杂任务。
  • Memory（记忆）：机器人的“短期记忆”，让它能记住对话历史。
  • Agents（代理）：机器人的“决策中心”，它决定调用什么工具来完成任务。

下面我们逐一深入讲解。

1. Models（模型）

这个模块是所有功能的基石，它提供了与各种大语言模型（LLMs）和聊天模型（ChatModels）交互的统一接口。

  • 功能：抽象了不同模型提供商（如 OpenAI, Anthropic, Hugging Face 等）的 API 差异，让你用一套统一的代码调用不同的模型。
  • 核心类：
    • LLM：用于纯文本补全模型（如早期的 text-davinci-003）。输入一段文本，输出一段补全的文本。
    • ChatModel：用于对话模型（如 gpt-4, gpt-3.5-turbo, claude-2）。输入是一个消息列表（SystemMessage, HumanMessage, AIMessage），输出是一个 AIMessage。这是目前最主流的模式。
  • 重要概念 - Embeddings：虽然不属于 LLM/ChatModel，但也常被归在 Models 模块下。它负责将文本转换为高维向量，用于检索、比较和聚类（是 RAG 的基石）。
  • 示例：
    from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage

# 初始化模型
chat = ChatOpenAI(model_name="gpt-3.5-turbo")

# 调用模型
messages = [HumanMessage(content="你好！请介绍一下你自己。")]
response = chat.invoke(messages)
print(response.content)

2. Prompts（提示）

Prompt 是指导和约束模型输出的关键。这个模块提供了用于高效构建、管理和优化提示词的模板工具。

  • 功能：将用户输入、指令示例、上下文等信息动态地组合成模型最终看到的提示词，避免手动拼接字符串的混乱。
  • 核心类：
    • PromptTemplate：最重要的工具。允许你创建一个带有变量的模板，然后在运行时传入变量值来生成具体的提示。
    • FewShotPromptTemplate：用于创建少样本（Few-Shot）学习的提示，即在指令中包含一些输入输出的示例，让模型更好地理解任务。
    • ChatPromptTemplate：专门用于构建聊天模型所需的消息列表模板。
  • 示例：
    from langchain.prompts import PromptTemplate

# 创建一个带变量的模板
template = """
你是一个专业的翻译官。请将以下 {source_language} 文本翻译成 {target_language}:
文本：{text}
翻译：
"""
prompt_template = PromptTemplate.from_template(template)

# 使用变量生成最终提示
final_prompt = prompt_template.format(
    source_language="英语",
    target_language="中文",
    text="Hello, world! LangChain is amazing."
)
print(final_prompt)
# 然后将 final_prompt 传给 LLM

3. Chains（链）

Chain 是 LangChain 的核心价值所在。单个模型调用能力有限，Chain 允许你将多个模型调用、其他工具或逻辑步骤链接起来，形成一个序列化的、复杂的工作流。

  • 功能：实现多步骤任务，其中一个步骤的输出可以作为下一个步骤的输入。
  • 核心类：
    • LLMChain：最基础、最常用的链，它组合了一个 PromptTemplate 和一个 LLM/ChatModel。
    • SequentialChain：允许多个链按顺序执行。
    • RouterChain：根据输入内容智能地选择执行不同的子链。
  • 示例：实现“翻译+总结”链
    from langchain.chains import LLMChain, SimpleSequentialChain
from langchain.prompts import PromptTemplate

# 第一步的链：翻译
translation_template = "将以下英文文本翻译成中文：{text}"
translation_prompt = PromptTemplate.from_template(translation_template)
translation_chain = LLMChain(llm=chat, prompt=translation_prompt)

# 第二步的链：总结
summary_template = "对以下中文文本做一个简要总结：{text}"
summary_prompt = PromptTemplate.from_template(summary_template)
summary_chain = LLMChain(llm=chat, prompt=summary_prompt)

# 将两个链组合成顺序链
overall_chain = SimpleSequentialChain(
    chains=[translation_chain, summary_chain],
    verbose=True # 打开详细日志，方便查看执行过程
)

# 运行这个工作流
english_text = "LangChain is a framework for developing applications powered by language models..."
result = overall_chain.run(english_text)
print(result)

4. Memory（记忆）

由于 LLM 本身是无状态的，Memory 模块为应用提供了“记忆”能力，使其能够记住跨多次调用的信息，这对于聊天机器人等应用至关重要。

  • 功能：在链或代理的多次调用之间持久化状态（对话历史）。
  • 核心类：
    • ConversationBufferMemory：最简单的一种，直接保存所有过去的对话消息。
    • ConversationSummaryMemory：更高级，会调用 LLM 将时间久远的对话总结成一个简短的摘要，从而节省 Token 并抓住长期重点。
    • ConversationBufferWindowMemory：只保留最近 K 轮对话，像一个滑动窗口，防止记忆无限增长。
  • 示例：
    from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 初始化记忆体
memory = ConversationBufferMemory()

# 创建一个带记忆的对话链
conversation = ConversationChain(
    llm=chat,
    memory=memory,
    verbose=True
)

print(conversation.run("你好，我叫小明。"))
print(conversation.run("我最喜欢的产品是iPhone。"))
print(conversation.run("你还记得我的名字和我喜欢什么吗？")) # AI会记得之前的对话

5. Agents（代理）

这是最强大、最令人兴奋的模块。代理将一个 LLM 作为“大脑”或“决策者”，它可以根据用户输入自主地决定需要执行哪些动作（调用哪些工具），并最终整合所有结果来给出答案。

  • 功能：扩展模型能力，使其可以调用外部工具（如搜索引擎、计算器、数据库、API等）。
  • 核心概念：
    • Agent：代理本身，包含决策逻辑。
    • Tool：代理可以调用的函数。比如：Google 搜索、Python REPL、数据库查询等。你可以轻松创建自定义工具。
    • AgentExecutor：负责运行代理，管理其与工具的交互循环（思考 -> 执行工具 -> 观察结果 -> 再思考...直到得出最终答案）。
  • 示例：
    from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.agents import Tool

# 假设我们有一个自定义工具：计算字符串长度的函数
def calculate_length(text: str) -> str:
    return f"The length is {len(text)} characters."

# 将函数包装成Tool
tools = [
    Tool(
        name="String Length Calculator",
        func=calculate_length,
        description="Useful for when you need to calculate the length of a string."
    )
]

# 初始化一个代理
agent = initialize_agent(
    tools,
    chat,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, # 一种通用的代理类型
    verbose=True
)

# 运行代理！它会自动判断是否需要使用工具。
result = agent.run("What is the length of the word 'LangChain'?")
print(result)
# 输出: The length is 9 characters.
# 过程中你会看到代理决定调用计算器工具的日志。

总结

这五大模块由低到高，层层递进：

  1. Models 和 Prompts 是原材料（砖块和水泥）。
  2. Chains 是用原材料砌成的一面墙（完成一个复杂但固定的任务）。
  3. Memory 是给这面墙刷上好看的油漆，让它更实用（上下文）。
  4. Agents 是用这些墙、油漆，再加上各种工具（家具、电器），最终搭建出的一个能自主行动的智能机器人。
posted @ 2025-09-12 15:26  PyAj  阅读(97)  评论(0)    收藏  举报