Ai学习之LangChain框架

一、什么是LangChain

LangChain 是一个用于开发由大型语言模型（LLMs）驱动的应用程序的开源框架。它提供了标准接口、工具和抽象，帮助开发者更高效地构建和部署与 LLM 相关的复杂应用，而不必从头开始处理所有底层细节。

其本质上就是基于大模型研发的框架，可以大大降低开发者的开发工作量。

核心价值	说明
抽象与模块化	将 LLM 应用拆解为可复用组件（模型调用、提示词管理等），通过统一接口降低开发复杂度。
链式处理（Chains）	通过管道符 “｜” 或函数式编程连接组件，实现复杂任务自动化流程（如提示词生成→模型调用→结果解析）。
生态系统集成	支持对接多种 LLM 模型、向量数据库、工具 API 及存储系统（如 OpenAI、Pinecone、Redis 等）。

二、为什么要用 LangChain

直接对接模型 API 的优势

优势	适用场景
轻量灵活，可控性强	- 简单任务（如单次文本生成、翻译） - 需要高度定制化逻辑（如特殊格式输出、安全合规控制）
性能损耗低	- 高并发场景 - 对延迟敏感的实时应用（如聊天机器人即时响应）
避免框架依赖	- 项目初期快速验证 MVP - 团队不熟悉第三方框架，希望减少学习成本
成本透明	- 直接按模型 API 用量付费，无框架额外开销

列子：

package main

import (
    "context"
    "fmt"
    "net/http"
    "os"

    "github.com/sashabaranov/go-openai"
)

func main() {
    ctx := context.Background()
    client := openai.NewClient(os.Getenv("OPENAI_API_KEY"))
    
    req := openai.CompletionRequest{
        Model:       openai.GPT3TextDavinci003,
        Prompt:      "推荐一部科幻电影",
        Temperature: 0.7,
    }
    
    resp, err := client.CreateCompletion(ctx, req)
    if err != nil {
        panic(err)
    }
    
    fmt.Println(resp.Choices[0].Text)
}

通过 LangChain 调用模型的优势

优势	适用场景
模块化开发，效率高	- 复杂任务链（如多轮对话、工具调用、知识库检索） - 需要快速组合不同组件（提示词、模型、数据库）
生态集成统一	- 多模型切换（OpenAI ↔ Hugging Face ↔ 本地模型） - 无缝对接向量数据库、工具 API
内置最佳实践	- 自动处理提示词模板、输出解析、重试机制 - 支持内存管理（对话历史跟踪）
社区资源丰富	- 参考成熟的示例代码（如问答系统、代码生成工具） - 利用社区封装的自定义组件

示例：LangChain 实现带知识库的问答（Go）

package main

import (
    "context"
    "fmt"

    "github.com/tmc/langchaingo/chains"
    "github.com/tmc/langchaingo/llms/openai"
    "github.com/tmc/langchaingo/schema"
    "github.com/tmc/langchaingo/vectorstores/chroma"
)

func main() {
    ctx := context.Background()
    llm, _ := openai.New()
    
    // 初始化向量数据库并添加知识库
    store, _ := chroma.New(chroma.WithEmbeddings(openai.NewEmbeddings()))
    store.AddDocuments(ctx, []schema.Document{{
        PageContent: "小米的CEO是雷军",
    }})
    
    // 创建检索链（自动完成 "检索 → 生成回答" 流程）
    retriever := store.AsRetriever()
    chain := chains.NewRetrievalQAChain(llm, retriever)
    
    // 提问：诺兰导演的科幻电影有哪些？
    result, _ := chain.Run(ctx, "小米的CEO是谁？")
    fmt.Println(result) // 输出包含知识库内容的回答
}

三、如何选择？

场景	推荐方式	理由
简单任务（如单次文本生成）	直接调用 API	轻量高效，无需额外框架开销
复杂任务链（如多轮对话+工具调用）	LangChain 等框架	模块化组件快速组装，减少重复开发
高并发/低延迟场景	直接调用 API	避免框架层性能损耗
多模型/多工具集成	LangChain 等框架	统一接口适配不同服务，降低集成成本
团队缺乏框架经验	直接调用 API	学习成本低，快速上手

四、混合模式：框架与原生 API 结合

如果你既想利用框架的高效性，又需保留对部分环节的控制权，可以采用 混合模式：

1. 用 LangChain 管理核心流程（如链式调用、检索逻辑）。
2. 自定义部分组件（如用原生 API 替换框架的模型调用层，或添加自定义工具）。

// 示例：在 LangChain 链中插入自定义 API 调用
type CustomAPITool struct {
    // 实现 LangChain 的 Tool 接口
    Name        string
    Description string
}

func (t *CustomAPITool) Call(ctx context.Context, input string) (string, error) {
    // 直接调用外部 API（如天气、股票数据）
    return "自定义 API 返回结果", nil
}

// 将自定义工具注入 LangChain 代理
agent, _ := agents.NewZeroShotAgent(
    llm,
    []agents.Tool{&CustomAPITool{Name: "custom_api", Description: "调用自定义服务"}},
)

方案	优势	劣势	适用场景
直接调用 API	轻量、可控、性能高	开发复杂任务成本高	简单场景、性能敏感型需求
LangChain 等框架	高效集成、模块化、社区生态丰富	存在学习成本和轻微性能损耗	复杂 LLM 应用、快速迭代项目

根据项目规模和需求灵活选择，两者并非互斥——简单场景用原生 API，复杂场景用框架，甚至可以混合使用。

五、 LangChainGo 如何支持其他大模型

LangChain 的官方 Go 实现，可通过自定义配置支持 DeepSeek（兼容 OpenAI API 接口）

package main

import (
    "context"
    "fmt"

    "github.com/tmc/langchaingo/llms"
    "github.com/tmc/langchaingo/llms/openai"
)

func main() {
    ctx := context.Background()
    
    // 配置 DeepSeek API（兼容 OpenAI 接口）
    llm, err := openai.New(
        openai.WithBaseURL("https://api.deepseek.com/v1"),
        openai.WithAuthToken("your-deepseek-api-key"),
    )
    if err != nil {
        panic(err)
    }
    
    // 直接调用 DeepSeek 模型
    result, err := llm.Call(ctx, "雷军是几几年出生的")
    if err != nil {
        panic(err)
    }
    
    fmt.Println(result)
}