第四章：大模型（LLM）

第六部分：langchain原理

第一节：langchain Model使用与实战

---

1. LangChain 概述

LangChain 是一个开源框架，旨在简化大语言模型（LLM）在应用中的集成与编排。它的核心目标是：

• 模块化：将 LLM 调用、提示（Prompt）、内存（Memory）、工具（Tools）、链路（Chains）等解耦。

• 可组合：支持将多个组件按需求组装成复杂的应用逻辑。

• 易扩展：可以切换不同的大模型（OpenAI、Hugging Face、Anthropic 等）而无需重构业务代码。

LangChain 的 Model 层主要负责 与大语言模型 API 的交互，包括：

• LLM 类：与通用文本生成模型交互（如 OpenAI、HuggingFaceHub）。

• ChatModel 类：与对话式模型交互（如 gpt-3.5-turbo）。

• Embedding 类：获取向量嵌入，用于语义检索、相似度计算等。

---

2. Model 使用流程

（1）安装

pip install langchain-openai
pip install langchain-community

（2）初始化 LLM

from langchain_openai import OpenAI

llm = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.7, openai_api_key="你的API密钥")
result = llm("给我写一句鼓励自己的话")
print(result)

这里的 temperature 控制生成的随机性，数值越低输出越稳定。

（3）ChatModel 示例

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

chat = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.5, openai_api_key="你的API密钥")
response = chat([HumanMessage(content="帮我生成一个关于人工智能的三行诗")])
print(response.content)

---

3. Prompt 与 Model 结合

LangChain 提供了 PromptTemplate 来动态生成提示词：

from langchain.prompts import PromptTemplate

template = "你是一名{role}，请用{style}风格解释：{topic}"
prompt = PromptTemplate(input_variables=["role", "style", "topic"], template=template)

print(prompt.format(role="数学老师", style="幽默", topic="微积分的本质"))

配合 LLM：

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=prompt)
print(chain.run({"role": "物理学家", "style": "生动形象", "topic": "量子叠加"}))

---

4. 多模型协作

LangChain 可以同时接入多个模型，按需求选择：

from langchain.llms import HuggingFaceHub

hf_llm = HuggingFaceHub(repo_id="google/flan-t5-large", model_kwargs={"temperature":0.3})

可以结合条件逻辑，让不同任务交给最适合的模型执行。

---

5. 实战案例：问答机器人

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
chatbot = ConversationChain(llm=chat, memory=memory)

print(chatbot.run("你好"))
print(chatbot.run("你记得我刚才说了什么吗？"))

说明：

• ConversationBufferMemory 会记录上下文，实现多轮对话记忆。

• 结合数据库或检索系统，就可以做出具备知识库问答能力的应用。

---

6. 总结

• Model 层是 LangChain 的基础，负责与 LLM API 交互。

• 结合 PromptTemplate、Chain、Memory 可以快速构建应用。

• 支持多模型接入，方便做模型融合与分工。

• 实战中可与向量数据库（如 FAISS、Pinecone）配合，增强检索与推理能力。