AI科技 智慧城市 智能教育

LangChain 大模型应用开发框架：从 RAG 到 Agent 的完整指南

作者yinhua

11 月 4, 2025
本文将从零到一地介绍如何使用 LangChain 构建从检索增强生成（RAG）到智能代理（Agent）的完整应用。

在AI大模型时代，Python以23.08%的市场份额连续五年稳居编程语言榜首，在AI、数据科学、深度学习等前沿技术中的应用尤为广泛。而LangChain作为一个基于大语言模型(LLM)的应用程序开发框架，提供了一整套工具、组件和接口，简化了创建大模型应用程序的过程，已经成为大模型应用开发的事实标准。本文将从零到一地介绍如何使用LangChain构建从检索增强生成(RAG)到智能代理(Agent)的完整应用。

一、LangChain的核心价值

1. 为什么需要LangChain

直接调用LLM API只能实现基础的文本生成功能。但在实际应用中，我们需要：

  • 与外部数据交互：让大模型能够理解和处理特定领域的知识
  • 集成多个LLM：在不同场景使用不同的模型
  • 添加工具支持：让大模型能够调用计算器、搜索引擎等外部工具
  • 管理上下文：维护对话历史和状态
  • 处理复杂流程：组织多步骤的操作流程

LangChain正是为了解决这些问题而诞生的。LangChain可以将LLM模型、向量数据库、交互层Prompt、外部知识、外部工具整合到一起，进而可以自由构建LLM应用。

2. LangChain的架构组成

# LangChain核心组件
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.memory import ConversationBufferMemory

# Models：选择大语言模型
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.7)

# Prompts：设计提示模板
prompt = ChatPromptTemplate.from_template(
    "You are a helpful assistant. Answer the following question: {question}"
)

# Output Parser：解析输出
output_parser = StrOutputParser()

# Memory：保存对话历史
memory = ConversationBufferMemory()

# Chain：组织流程
chain = prompt | llm | output_parser
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.

二、从基础到高级的完整应用

1. 基础的LLM链式调用

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser

# 创建LLM
llm = ChatOpenAI(model_name="gpt-4", temperature=0)

# 定义提示模板
template = """请根据以下信息回答问题：
信息：{context}
问题：{question}
回答："""

prompt = ChatPromptTemplate.from_template(template)

# 组建链
chain = prompt | llm | StrOutputParser()

# 执行
result = chain.invoke({
    "context": "Python是一门高级编程语言",
    "question": "Python是什么？"
})
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.

2. 检索增强生成(RAG)

RAG是当前最流行的大模型应用模式，允许大模型基于特定文档进行回答：

from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 1. 加载文档
loader = PyPDFLoader("document.pdf")
documents = loader.load()

# 2. 分割文本
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
splits = text_splitter.split_documents(documents)

# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(splits, embeddings)

# 4. 创建检索链
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

# 5. 执行查询
result = qa_chain.run("文档中讲了什么内容？")
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.

3. 智能Agent(代理)

Agent是LangChain中最强大的功能，允许大模型根据任务自主决定调用哪些工具：

from langchain.agents import tool, initialize_agent, AgentType
from langchain.chat_models import ChatOpenAI
import asyncio

llm = ChatOpenAI(model_name="gpt-4", temperature=0)

# 定义工具
@tool
def get_weather(location: str) -> str:
    """获取指定城市的天气信息"""
    returnf"{location}今天天气晴朗，温度25°C"

@tool
def calculate(expression: str) -> float:
    """执行数学计算"""
    return eval(expression)

# 初始化Agent
tools = [get_weather, calculate]
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 执行任务
result = agent.run("北京今天天气怎么样？然后告诉我25乘以3等于多少？")
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.

4. 多链编排

对于复杂应用，需要多个链相互协作：

from langchain.chains import SequentialChain, LLMChain
from langchain.prompts import PromptTemplate

# 链1：总结
summary_template = "请用一句话总结以下内容：{text}"
summary_prompt = PromptTemplate(input_variables=["text"], template=summary_template)
summary_chain = LLMChain(llm=llm, prompt=summary_prompt)

# 链2：翻译
translate_template = "请将以下内容翻译成英文：{summary}"
translate_prompt = PromptTemplate(input_variables=["summary"], template=translate_template)
translate_chain = LLMChain(llm=llm, prompt=translate_prompt)

# 组织成顺序链
sequential_chain = SequentialChain(
    chains=[summary_chain, translate_chain],
    input_variables=["text"],
    output_variables=["summary", "output"]
)

# 执行
result = sequential_chain({"text": "很长的文本内容..."})
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.

三、LangChain的性能优化

1. 使用缓存减少API调用

from langchain.cache import SQLiteCache
from langchain.globals import set_llm_cache
import langchain

# 配置缓存
set_llm_cache(SQLiteCache(database_path=".langchain.db"))

# 之后的相同查询会从缓存中获取
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.

2. 流式处理大型文档

# 使用流式处理而不是一次性加载
for chunk in chain.stream({"question": "问题"}):
    print(chunk, end="", flush=True)
  • 1.
  • 2.
  • 3.

3. 批量处理

# 批量执行多个查询
questions = ["问题1", "问题2", "问题3"]
results = chain.batch([{"question": q} for q in questions])
  • 1.
  • 2.
  • 3.

四、常见的应用场景

场景1：知识库问答系统

# 构建企业知识库问答系统
from langchain.chains import RetrievalQA

knowledge_qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=knowledge_base_vectorstore.as_retriever(),
    return_source_documents=True  # 返回源文档
)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.

场景2：自动化数据分析

# 让Agent自主分析数据
@tool
def analyze_data(file_path: str) -> str:
    """分析CSV文件"""
    import pandas as pd
    df = pd.read_csv(file_path)
    return df.describe().to_string()

# Agent会自主决定何时调用此工具
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.

场景3：多步骤工作流自动化

# 自动完成复杂的业务流程
complex_agent = initialize_agent(
    tools=[database_tool, email_tool, file_tool],
    llm=llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=ConversationBufferMemory()
)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.

五、结尾

LangChain不仅降低了大模型应用开发的门槛，更重要的是它提供了一套完整的、可扩展的框架。从简单的文本生成到复杂的多工具编排，LangChain都提供了相应的支持。LangChain的Agent概念是其精髓所在，通过让大模型自主决定调用哪些工具，可以实现真正的”智能”应用。随着大模型技术的不断发展和成熟，LangChain这样的框架将在产业应用中扮演越来越重要的角色。

文章来自：51CTO

Loading

微海报分享

作者 yinhua

相关文章

AI科技 智慧城市 智能教育

行为漂移：AI时代最被低估的风险——也是CIO手中最大的创新引擎

12 月 4, 2025 yinhua
AI科技 智慧城市 智能教育

AI最烧钱的战场：数据中心的真实账单

12 月 4, 2025 yinhua
AI科技 智慧城市 智能教育

AI永生赛道来了位15岁量子物理博士

12 月 2, 2025 yinhua

发表回复

您错过的

AI科技 智慧城市 智能教育

行为漂移：AI时代最被低估的风险——也是CIO手中最大的创新引擎

12 月 4, 2025 yinhua
AI科技 智慧城市 智能教育

AI最烧钱的战场：数据中心的真实账单

12 月 4, 2025 yinhua
AI科技 智慧城市 智能教育

AI永生赛道来了位15岁量子物理博士

12 月 2, 2025 yinhua
AI科技 智慧城市 智能教育

AAAI 2026 Oral｜让大模型学会“高维找茬”，中国联通新研究解决长文本图像检索痛点

12 月 2, 2025 yinhua