LangChain 文档 #

入门阶段
├── 简介
├── 快速开始
│
基础阶段
├── 模型
├── 提示
├── 链
├── 记忆
│
进阶阶段
├── 代理
├── 工具
├── RAG 应用
├── 嵌入模型
├── 向量存储
│
高级阶段
├── 流式处理
├── 回调系统
├── 生产部署
├── 最佳实践

pip install langchain langchain-openai

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 创建模型
model = ChatOpenAI(model="gpt-4o-mini")

# 创建提示模板
prompt = ChatPromptTemplate.from_template("讲一个关于{topic}的笑话")

# 创建链
chain = prompt | model | StrOutputParser()

# 调用
result = chain.invoke({"topic": "程序员"})
print(result)

# 使用 | 操作符组合组件
chain = prompt | model | parser

# 支持流式输出
for chunk in chain.stream({"topic": "AI"}):
    print(chunk, end="")

# 支持异步
result = await chain.ainvoke({"topic": "AI"})

from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 创建向量存储
vectorstore = Chroma.from_documents(
    documents=documents,
    embedding=OpenAIEmbeddings()
)

# 创建检索器
retriever = vectorstore.as_retriever()

# 构建 RAG 链
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

@tool
def search(query: str) -> str:
    """搜索网络"""
    return f"搜索结果: {query}"

agent = create_react_agent(model, [search])
result = agent.invoke({"messages": [("user", "搜索 LangChain")]})