核心内容摘要
91av在线播放：点燃你的观影新次元
什么 langchain ?LangChain是一个用于开发由大型语言模型 LLMs 支持的应用程序的框架。
从下面开始我们认知常用的 langchain 常用的生态库以及知识点。
资源库langchain 有自己的生态下面是 langchain 生态的一些常用的资源langchain /langchainjslangchain 集成langchain apilangserveLangSmithlanggraph/langgraph cloudlangchain 不仅支持 Python 生态也支持 TypeScript/JavaScript 生态意味着开发者可以使用 JS 生态开发 AI 应用。
目前的 langchain 的版本是:v
3。
langchain 集成众多的 llm 和组件使得 AI 开发变得容易。
langchain 经典架构图LCELLCEL 全称 LangChain Expression Language是一种创建任意自定义链的方法。
核心模块和安装langchain 目前是 v
3 版本如果使用了旧版本可能有内容发生了变化。
这里还是以 Python 为例langchain-corelangchain-communitylangchainlanggraphlangservelangsmithlangchain-cli如果你是使用 pip 作为安装工具pip install langchain-core pip install langchain pip install langsmith pip install -U langgraph pip install langserve[all] pip install -U langchain-cli # 社区 pip install langchain_community # 大模型 pip install langchain-openai pip install -qU langchain-anthropiclangchain 组件langchain 提供了很多的组件帮助开发方便的开发 LLM 应用术语说明Prompt Template提示词模板用于定义输入给模型的格式和内容。
Example selectors示例选择器用于从一组示例中选择适当的示例以供参考或生成响应。
Chat models聊天模型专门设计用于与用户进行对话和互动的语言模型。
Messages消息指用户与模型之间的交流内容。
LLM大模型旧语言模型指大型预训练语言模型通常用于生成和理解文本。
Output parsers输出解释器用于处理和格式化模型生成的输出使其更易于使用。
Document loaders文档加载器用于将文档内容加载到系统中以便处理和分析。
Text splitters文本分割器用于将长文本分割成较小的部分以便更好地处理和分析。
Embedding models嵌入模型将文本转换为向量表示以便进行相似度计算和检索。
Vector stores向量存储保存向量数据的数据库或系统以支持高效的检索和查询。
Retrievers检索器负责从存储中获取相关数据或信息的组件。
Indexing索引建立数据结构以支持快速搜索和检索。
Tools工具辅助完成特定任务的软件组件或功能。
Multimodal多模型涉及处理和分析多种数据类型如文本、图像等的能力。
Agents代理智能体自动化执行特定任务的智能系统或程序。
Callbacks回调允许在特定事件发生时执行自定义代码的机制。
自定义组件用户自定义的模块或功能以扩展系统的功能或适应特定需求。
# PromptTemplate, ChatPromptTemplate from langchain_core.prompts import PromptTemplate ChatPromptTemplate prompt_template PromptTemplate.from_template(Tell me a joke about {topic}) prompt_template ChatPromptTemplate([ (system, You are a helpful assistant), (user, Tell me a joke about {topic}) ]) prompt_template.invoke({topic: cats}) # example_selector class BaseExampleSelector(ABC): Interface for selecting examples to include in prompts. abstractmethod def select_examples(self, input_variables: Dict[str, str]) - List[dict]: Select which examples to use based on the inputs. abstractmethod def add_example(self, example: Dict[str, str]) - Any: Add new example to store. prompt FewShotPromptTemplate( example_selectorexample_selector, # ... ) # chat model from langchain_openai import ChatOpenAI llm ChatOpenAI(modelgpt-4o-mini) # message from langchain_core.messages import HumanMessage model.invoke([HumanMessage(contentHello, how are you?)]) # llm from langchain_openai import OpenAI llm OpenAI(modelgpt-
5-turbo-instruct, n2, best_of
# outparser str from langchain_core.output_parsers import StrOutputParser parser StrOutputParser() # loader from langchain_community.document_loaders.csv_loader import CSVLoader from langchain_community.document_loaders import PyPDFLoader # langchain_text_splitters from langchain_text_splitters import CharacterTextSplitter text_splitter CharacterTextSplitter.from_tiktoken_encoder( encoding_namecl100k_base, chunk_size100, chunk_overlap0 ) texts text_splitter.split_text(document) # embedding_models: OpenAIEmbeddings 和 HuggingFaceEmbeddings and ZhipuAIEmbeddings from langchain_openai import OpenAIEmbeddings from langchain_huggingface import HuggingFaceEmbeddings from langchain_community.embeddings import ZhipuAIEmbeddings # vectorstores from langchain_core.vectorstores import InMemoryVectorStore from langchain_community.vectorstores import FAISS from langchain_chroma import Chroma vectorstore InMemoryVectorStore.from_texts( [txt_content], embeddingembeddings, ) vectorstore FAISS.from_documents(texts, embeddings) vector_store Chroma( collection_nameexample_collection, embedding_functionembeddings, persist_directory./chroma_langchain_db, # Where to save data locally, remove if not necessary ) # retriever invoke retriever vectorstore.as_retriever() docs retriever.invoke(what did the president say about ketanji brown jackson?) # index from langchain.indexes import SQLRecordManager, index # tools from langchain_core.tools import tool tool def multiply(a: int, b: int) - int: Multiply two numbers. return a * b # agent from langchain.agents import AgentExecutor agent ( { input: lambda x: x[input], agent_scratchpad: lambda x: format_to_openai_tool_messages( x[intermediate_steps] ), chat_history: lambda x: x[chat_history], } | prompt | llm_with_tools | OpenAIToolsAgentOutputParser() ) agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) ## langgraph create_tool_calling_agent from langchain.agents import create_tool_calling_agent agent create_tool_calling_agent(model, tools, prompt) agent_executor AgentExecutor(agentagent, toolstools) ## langgraphcreate_react_agent from langgraph.prebuilt import create_react_agent langgraph_agent_executor create_react_agent(model, tools) # callbacks from langchain_core.callbacks import BaseCallbackHandler callbacks [LoggingHandler()] chain prompt | llm chain.invoke({number: 2}, config{callbacks: callbacks})大模型在大模型应用中开发中大模型直接用的是chat 大模型embedding 大模型常用的大模型和运行器OpenAI/AzureOpenAI/OpenAIEmbeddingsAnthropicvertexaihuggingfaceawsollamaZhipuAIMistralAIBaidu Qianfan…向量数据库ChromaFAISSInMemoryVectorStoreMilvusPGVectorRedisSQLiteVec…运行环境运行大模型其实可以用不同的 python 运行环境硬编码使用编辑器硬编码jupyter notebook: python 代码能够分段缓存数据结构清晰 jupyter 推荐配合 vscode 使用可以使用通用的编辑器。
google 的Colabnotebooks Colab 赠送不少的内存对于小的应用基本够用了。
如果没有使用过大概是这样的一个简单的聊天我们使用 zhipuAI为什么因为 zhipu AI 的 glm-4-flash 目前是免费调用。
如果还没有注册的新进入大模型应用开发的可以考虑使用zhipu AI质谱的支持自己的 sdk, 和 openAI 的方式以及 langchain 的 openAI 的方式调用大模型。
同时质朴也有 embeddings 模型速度可以在初期学习已经够用了。
首先需要创建一个.env文件将质谱 AI 的 key 保存起来方便访问。
OPENAI_API_KEY your_zhupu_ai_keylangchain_openai 使用 ChatOpenAI 调用质谱 AI 的glm-4-flash大模型。
同时我们需要传入openai_api_base地址。
import dotenv from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate key dotenv.get_variable(.env, OPENAI_API_KEY) # 不同的版本不一样 model ChatOpenAI( temperature
95, modelglm-4-flash, openai_api_keykey, openai_api_basehttps://open.bigmodel.cn/api/paas/v4/ ) # 消息 messages [ SystemMessage(contentTranslate the following from English into Italian), HumanMessage(contenthi!), ] # invoke 调用模型 model.invoke(messages) # 格式化输出 parser StrOutputParser() result model.invoke(messages) parser.invoke(result) # 使用 chain 链 chain model | parser chain.invoke(messages)、 # 使用提示词 system_template Translate the following into {language}: prompt_template ChatPromptTemplate.from_messages( [(system, system_template), (user, {text})] ) chain prompt_template | model | parser chain.invoke({language: italian, text: hi})小结本文主要介绍 Langchian 的基本基本概念组件、生态内容。
以及常用的大模型向量数据库 embedding 以及使用 zhipu ai 配合 ChatOpenAI 实现一个简单的 chatmodel 的例子。
想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容
学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI
100本大模型方向电子书
26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC
实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
600套技术大会 PPT听行业大咖讲实战PPT 整理自
年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌
107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自
年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析
102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑
97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”
路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。
L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、
关键技术以及大模型应用场景。
L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。
L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。
L5阶段专题集丨特训篇 【录播课】