LangChain入门

1. 简介

它不是一个大模型本身，而是一个将大模型能力与外部数据和计算逻辑连接起来的 “胶水”层 或**“编排工具”。

2. 概念

模块 -> 链 -> 代理(Agents)

2.1. 模型

Chat models
Message
- system
- human
- ai
- tool_use
- tool
Propmt
Document
- Loader
- embeding
Vector store
- Retriever
Struct output
few-shot examples

2.2. LCEL

LangChain 表达式语言（LCEL）是 LangChain 框架中用于 组合链 (Chains) 的一种声明式、统一的编程范式。它是构建复杂、可部署和生产就绪的 LLM 应用程序的核心。目标是提供一种简洁、强大且灵活的方式来定义 LLM 应用中的所有逻辑流，包括数据处理、模型调用、内存管理和外部工具集成。

管道操作符 | 上下文中必须实现的是 Runable 对象(存在自动转化机制，例如：自动将 dict 转化为我 RunnaleMap)
前一个输出对应后一个的输入
调用的具体的方法以 chains 链调用时的方法为准
langserve 底层调用的都是异步格式

3. 对象

3.1. 核心

Runabble
Section titled “Runabble”

with_types with_config：允许您为特定的 Runnable 组件或整个 Chain 临时设置或覆盖 运行时配置参数。 with_fallbacks：为当前的 Runnable 组件添加一个或多个 备用/回退 的 Runnable。如果主组件执行失败（抛出异常），执行器将尝试按顺序运行回退组件。 with_listeners、 with_alisteners、 with_retry

RunnableMap

1、RunnableMap 是 LangChain 表达式语言 (LCEL) 中的一个核心组件，它允许您并行地处理输入，并将多个不同的 LangChain Runnable 结构组合起来，形成一个新的输出字典。、 2、然而，在 LangChain 表达式语言 (LCEL) 的上下文中，当这个字典被用于管道操作符 | 中时，LangChain 框架会自动将其 提升 (Promote) 或转换为一个特殊的 Runnable 对象：RunnableMap

RunnablePassthrough

1、RunnablePassthrough 是 LangChain 表达式语言 (LCEL) 中最基础但也最灵活的组件之一。它的设计理念非常简单：让输入数据原封不动地通过（Pass Through），同时提供强大的机制来增强这个流动的数据 2、.assign() 是 RunnablePassthrough 最实用且强大的功能。它允许您在数据流经管道时，在不改变原始输入的前提下，向数据上下文中添加额外的键值对

RunnableLambda

1、将任何 Python 函数转换为一个 Runnable 组件，方便集成自定义预处理或后处理逻辑。 2、当您在管道操作符 | 的上下文中使用一个普通的 Python 函数（无论是 def 定义的函数还是 lambda 表达式）时，LangChain 运行时会自动将其包装成一个 Runnable 对象：RunnableLambda

RunnableWithMessageHistory

1、专门用于 集成会话记忆（Conversation Memory 的包装器它的核心作用是将任何现有的 LCEL Chain（一个 Runnable 对象）转换为一个具有 持久化聊天历史 能力的 Chain，从而实现多轮对话功能

RunnableSerializable

1、RunnableSerializable 是 LangChain 表达式语言 (LCEL) 中 Runnable 接口的一个特殊子类，它引入了 序列化（Serialization） 的能力。简而言之，它确保任何实现了此接口的组件不仅可以执行 (invoke)，还可以被可靠地 保存（Save）和加载（Load）。

3.2. Agent

AgentExecutor

LangChain 框架中用于执行 Agent（智能体） 逻辑的核心组件。它将一个语言模型（LLM）与一组工具（Tools）结合起来，使 LLM 能够进行推理，决定下一步要采取的行动，并重复这个过程直到任务完成

format_scratchpad

format_scratchpad（或相关的格式化函数）是 LangChain Agent 架构中的一个关键概念，它主要用于 将 Agent 在当前步骤中积累的中间步骤信息格式化成 LLM 可读的文本，并将其注入到 Agent 的 Prompt 中。

3.3. Utils

langchain_core.utils.function_calling

3.4. 配置

configurable_fields 旨在允许您 细粒度地、动态地修改 Runnable 组件实例的 内部属性或字段。
configurable_alternatives 旨在允许您在运行时 完全切换 正在使用的 Runnable 实例，从一个预定义的选项集合中选择一个。

4. 任务类型

子查询：实现基于自然语言查询向量数据库
分类
提取

5. Demo

pip install langchain
pip install -U langchain-google-genai
pip install langchain-community pypdf

6. 拓展信息

6.1. 最大边际相关性（Maximal Marginal Relevance，简称 MMR)

是 LangChain 中一种非常重要的 文档检索（Retrieval）策略。它旨在解决传统基于向量相似度检索的固有缺陷：检索结果可能高度雷同。

简单来说，MMR 是一种在保持结果对查询 相关性 的同时，最大限度提高结果之间 多样性 的机制