【AI开源项目】LangChain-3分钟让你知道什么是LangChain，以及LangChain的部署配置全流程

文章目录

- 什么是 LangChain？
- LangChain 概述
- - 主要特点
- 理解 Agent 和 Chain
- - Chain
  - Agent
  - 示例
  - 简单顺序链示例
- 检索增强生成（RAG）
- - LLM 面临的主要问题
  - RAG 的工作流程
- LangChain 核心组件
- - 1. 模型输入/输出（Model I/O）
  - 2. 数据连接（Data Connection）
  - 3. 链（Chains）
  - 4. 记忆（Memory）
  - 5. 代理（Agents）
  - 6. 回调（Callbacks）
- LangChain-CLI
- - 配置步骤（Pirate-Speak 模板案例）
- CSV-Agent 模板配置
- - 配置步骤
  - 处理反序列化错误
  - 解决方案
  - 使用应用
- LangChain LCEL 概述
- - 什么是 LCEL？
  - LCEL 的设计目标
  - LCEL 的主要特点
  - LCEL 的应用示例
  - 实际应用
- OpenAI API KEY
- 结论

今天这篇文章就一句话概括，3分钟让你知道什么是LangChain，以及LangChain的部署配置全流程

什么是 LangChain？

LangChain 是一个为各种大型语言模型应用提供通用接口的框架，旨在简化应用程序的开发流程。通过 LangChain，开发者可以轻松构建如图所示的 RAG（Retrieval-Augmented Generation）应用。

在这里插入图片描述

LangChain 概述

LangChain 是一个专为构建大型语言模型（LLMs）驱动的应用程序而设计的框架，其核心目标是简化从开发到生产的整个应用程序生命周期。

主要特点

模块化构建：提供一套模块化的构建块和组件，便于集成到第三方服务中，帮助开发者快速构建应用程序。
生命周期支持：涵盖应用程序的整个生命周期，从开发、生产化到部署，确保每个阶段的顺利进行。
开源与集成：提供开源库和工具，支持与多种第三方服务的集成。
生产化工具：LangSmith 是一个开发平台，用于调试、测试、评估和监控基于 LLM 的应用程序。
部署：LangServe 允许将 LangChain 链作为 REST API 部署，方便应用程序的访问和使用。

理解 Agent 和 Chain

Chain

在 LangChain 中，Chain 是指一系列按顺序执行的任务或操作，这些任务通常涉及与语言模型的交互。Chain 可以看作是处理输入、执行一系列决策和操作，最终产生输出的流程。Chain 的复杂性可以从简单的单一提示（prompt）和语言模型调用，扩展到涉及多个步骤和决策点的复杂流程。

Agent

Agent 是 LangChain 中更为高级和自主的实体，负责管理和执行 Chain。Agent 可以决定何时、如何以及以何种顺序执行 Chain 中的各个步骤。通常，Agent 基于一组规则或策略来模拟决策过程，能够观察执行结果并根据这些结果调整后续行动。Agent 的引入使得 LangChain 能够构建更为复杂和动态的应用程序，如自动化聊天机器人或个性化问答系统。

示例

Agent：基于某模型实现的问答系统可以视为一个 Agent。
Chain：问答系统根据一个 prompt 给出回答的过程可以看作是一个 Chain，实际回答过程通常涉及多个任务（Chain）依次执行。

简单顺序链示例

from langchain import Chain, Agent

# 定义一个简单的 Chain
simple_chain = Chain([
    {"task": "获取用户输入"},
    {"task": "处理输入"},
    {"task": "生成回答"}
])

# 定义一个 Agent
simple_agent = Agent(chain=simple_chain)

# 执行 Agent
response = simple_agent.execute()
print(response)

检索增强生成（RAG）

检索增强生成（RAG, Retrieval-Augmented Generation）是一种创新架构，巧妙地整合了从庞大知识库中检索到的相关信息，以指导大型语言模型生成更为精准的答案。这一方法显著提升了回答的准确性与深度。

LLM 面临的主要问题

信息偏差/幻觉：
- LLM 有时会生成与客观事实不符的信息，导致用户接收到不准确的信息。
- 解决方案：RAG 通过检索数据源辅助模型生成过程，确保输出内容的精确性和可信度，减少信息偏差。
知识更新滞后性：
- LLM 基于静态数据集训练，可能导致知识更新滞后，无法及时反映最新信息动态。
- 解决方案：RAG 通过实时检索最新数据，保持内容的时效性，确保信息的持续更新和准确性。
内容不可追溯：
- LLM 生成的内容往往缺乏明确的信息来源，影响内容的可信度。
- 解决方案：RAG 将生成内容与检索到的原始资料建立链接，增强内容的可追溯性，提升用户对生成内容的信任度。
领域专业知识能力欠缺：
- LLM 在处理特定领域的专业知识时，效果可能不理想，影响回答质量。
- 解决方案：RAG 通过检索特定领域的相关文档，为模型提供丰富的上下文信息，提升专业领域内的问题回答质量和深度。
推理能力限制：
- 面对复杂问题时，LLM 可能缺乏必要的推理能力，影响问题理解和回答。
- 解决方案：RAG 结合检索到的信息和模型的生成能力，通过提供额外的背景知识和数据支持，增强模型的推理和理解能力。
应用场景适应性受限：
- LLM 需在多样化应用场景中保持高效和准确，但单一模型可能难以全面适应所有场景。
- 解决方案：RAG 使得 LLM 能够通过检索对应应用场景数据，灵活适应问答系统、推荐系统等多种应用场景。
长文本处理能力较弱：
- LLM 在理解和生成长篇内容时受限于有限的上下文窗口，处理速度随着输入长度增加而减慢。
- 解决方案：RAG 通过检索和整合长文本信息，强化模型对长上下文的理解和生成，有效突破输入长度限制，降低调用成本，提升整体处理效率。

RAG 的工作流程

RAG 是一个完整的系统，其工作流程可以简单地分为以下四个阶段：

数据处理：
- 收集和预处理相关数据，以确保信息的质量和可用性。
检索阶段：
- 从知识库中检索与用户查询相关的信息，确保获取最新和最相关的数据。
增强阶段：
- 将检索到的信息与用户输入结合，为模型提供丰富的上下文。
生成阶段：
- 基于增强的信息，使用大型语言模型生成最终的回答或内容。

在这里插入图片描述

LangChain 核心组件

LangChain 是一个强大的大语言模型开发框架，能够将 LLM 模型（如对话模型、嵌入模型等）、向量数据库、交互层 Prompt、外部知识和代理工具整合在一起，从而自由构建 LLM 应用。LangChain 主要由以下六个核心组件组成：

1. 模型输入/输出（Model I/O）

与语言模型交互的接口，负责处理输入和输出数据。

2. 数据连接（Data Connection）

与特定应用程序的数据进行交互的接口，确保数据流的顺畅。

3. 链（Chains）

将各个组件组合实现端到端应用。例如，检索问答链可以完成检索和回答的任务。

4. 记忆（Memory）

用于链的多次运行之间持久化应用程序状态，确保上下文的连贯性。

5. 代理（Agents）

扩展模型的推理能力，执行复杂任务和流程的关键组件。代理可以集成外部信息源或 API，增强功能。

6. 回调（Callbacks）

用于扩展模型的推理能力，支持复杂应用的调用序列。

在开发过程中，开发者可以根据自身需求灵活组合这些组件，以实现特定功能。

获取OpenAI API KEY的两种方式，开发者必看全方面教程，点击就在这里！

LangChain-CLI

LangChain 提供了一个命令行工具 langchain-cli，通过该工具可以快速创建基于 LangChain 的应用，访问方式为 REST API。

项目地址：LangChain CLI GitHub
使用视频：YouTube 教程
对应项目地址：CSV Agent 示例

配置步骤（Pirate-Speak 模板案例）

Git 配置：
- 确保 Git 已安装并配置。
环境变量配置：
- 设置 OPENAI_API_KEY 和 OPENAI_BASE_URL（如果转发 API 不是直接向 api.openai.com 发起请求，则需要配置后者）。

创建新环境：

conda create -n my-env python=3.11
conda activate my-env

更换 pip 源：

python -m pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

安装 Poetry：
```
pip install poetry
```
安装 LangChain：
```
pip install langchain
```
创建 LangChain 应用：
```
langchain app new my-app
```
进入 Poetry 环境：
```
cd my-app
poetry shell
```
安装依赖：
```
poetry install
```
运行模板：
```
poetry run langchain app add pirate-speak
```
- 注意：如果出现错误，可能是网络问题，请尝试更换网络。
修改 server.py：
在 ./app/server.py 中去掉注释内容及 if 语句上一行的 add_routes 语句，加入以下内容：
```
from pirate_speak.chain import chain as pirate_speak_chain

add_routes(app, pirate_speak_chain, path="/pirate-speak")
```
- 注意：在 Windows 系统中，path="/pirate-speak" 中的斜杠需要改为 path="\pirate-speak"。
启动应用：
```
poetry run langchain serve
```

最后，您可以在浏览器中访问 http://127.0.0.1:8000/pirate-speak/playground/ 来查看和使用应用。

在这里插入图片描述

CSV-Agent 模板配置

在完成上述模板的配置后，您可以直接配置 CSV-Agent 模板，跳过部分步骤。

配置步骤

添加 CSV-Agent：
在 my-app 目录下运行以下命令：
```
poetry run langchain app add csv-agent
```
- 输入 Y 后等待安装完成。如果遇到网络问题，请参考之前的解决办法。

修改 server.py：
在 ./app/server.py 中添加以下内容：

from csv_agent import agent_executor as csv_agent_chain

add_routes(app, csv_agent_chain, path="/csv-agent")  # Windows 系统中将 "\" 改为 "/"

启动应用：
运行以下命令启动应用：
```
poetry run langchain serve
```

处理反序列化错误

如果在启动时遇到以下错误：

ValueError: The de-serialization relies loading a pickle file. Pickle files can be modified to deliver a malicious payload that results in execution of arbitrary code on your machine. You will need to set `allow_dangerous_deserialization` to `True` to enable deserialization.

解决方案

打开 faiss.py 文件：
找到报错信息中提到的 faiss.py 文件，路径通常类似于：
```
C:\xxxxxx\anaconda3\envs\LCTest\Lib\site-packages\langchain_community\vectorstores\faiss.py
```
修改 allow_dangerous_deserialization：
在文件中找到 allow_dangerous_deserialization 的相关代码，将其设置为 True：
```
allow_dangerous_deserialization = True
```
注意：确保您信任要反序列化的文件来源。仅在确认文件未被他人修改的情况下执行此操作。

使用应用

启动应用后，您可以在浏览器中访问以下链接来查看和使用 CSV-Agent：
http://127.0.0.1:8000/csv-agent/playground

在这里插入图片描述

LangChain LCEL 概述

什么是 LCEL？

LangChain Expression Language（LCEL）是 LangChain 工具包的重要组成部分，旨在提供一种声明式方法，用于组合不同组件以创建处理链（chain）。LCEL 的设计理念是提供一个强大而灵活的方式来组合不同的组件和服务，从而创建复杂的工作流程。通过 LCEL，开发者可以定义数据的流动方式，以及如何在 LangChain 的不同组件之间转换和处理数据。

获取OpenAI API KEY的两种方式，开发者必看全方面教程，点击就在这里！

LCEL 的设计目标

提高效率和灵活性：LCEL 旨在提高文本处理任务的效率，支持流处理、批处理和异步任务，具有模块化架构，方便用户定制和修改链组件。
简化复杂链的构建：为涉及多次大型语言模型（LLM）调用的复杂链提供简单的解决方案。
与 LangSmith 平台兼容：LCEL 设计时考虑了与 LangSmith 平台的配合，帮助用户从原型开发过渡到生产阶段。

LCEL 的主要特点

流媒体支持：
- LCEL 构建的链可以以流的形式直接从 LLM 获取并处理输出，提供快速响应。
异步支持：
- 允许链以同步或异步的方式执行，适合在不同环境下（如 Jupyter 笔记本或 LangServe 服务器）使用。
优化的并行执行：
- LCEL 链中的步骤如果能够并行执行，框架会自动优化以减少延迟。
重试和回退机制：
- 为链的任何部分配置重试和回退策略，提高链的可靠性。
访问中间结果：
- 允许在最终输出产生之前访问中间步骤的结果，有助于调试和提供反馈。
输入和输出模式：
- 为每个 LCEL 链提供推断出的 Pydantic 和 JSONSchema 模式，有助于验证输入和输出。
与 LangSmith 和 LangServe 的集成：
- LCEL 链自动记录到 LangSmith 以便于跟踪和调试，同时可以使用 LangServe 进行部署。

LCEL 的应用示例

LCEL 通过管道符 | 来连接不同的组件，创建一个处理链。例如，一个简单的链可能如下所示：

chain = (prompt | model | output_parser)

这个链将用户的输入传递给提示模板，模板生成的提示再传递给模型进行处理，最后由输出解析器将模型的输出转换为最终结果。

实际应用

LCEL 不仅支持简单的链，还可以构建更复杂的链，例如结合向量数据库进行检索增强的生成（RAG）查询。在这些复杂的应用中，LCEL 提供了 RunnableMap、RunnableParallel 等原语来并行化组件、动态配置内部链等。

OpenAI API KEY

获取OpenAI API KEY的两种方式，开发者必看全方面教程，点击就在这里！

在这里插入图片描述

结论

通过这篇文章，你可以清楚地知道什么是LangChain，以及LangChain的部署配置。如果对你有帮助，可以留下三连给个支持，谢谢！