随着大模型应用的快速发展越来越多开发者希望构建AI Agent企业知识库智能客服自动化工具但是直接调用 LLM API 往往会遇到很多问题Prompt 管理困难多步任务难以组织知识检索复杂工具调用难以统一为了解决这些问题出现了一个非常重要的框架LangChain一、什么是 LangChain实体LangChain主要组件核心组件包括Chains链定义模型调用序列与逻辑流程。Agents智能体可调用外部工具如 API、数据库、计算引擎执行任务。Memory记忆保存上下文信息以实现多轮对话。Retrievers VectorStores用于知识检索和 RAG 系统。Prompts结构化提示模板支持变量填充与复用。生态与扩展LangChain 拥有丰富的社区生态与多种 LLM如 OpenAI、Anthropic、Cohere及向量数据库如 Pinecone、Weaviate、FAISS兼容。其扩展库 LangChainHub、LangServe 与 LangSmith 分别提供共享模板、API 部署和调试监控功能。LangChain 是一个构建大模型应用的开发框架主要解决的问题包括能力说明LLM 调用统一调用各种大模型Prompt 管理结构化 PromptChain多步骤任务Memory上下文记忆Retriever知识检索Agent工具调用LangChain 的设计理念是LLM Data Tools让大模型可以访问知识调用工具完成复杂任务二、LangChain 核心架构LangChain 的核心组件主要包括LLMPromptMemoryRetrieverChainAgent整体架构如下User↓Prompt↓Chain↓LLM↓Tools / Retriever / Memory三、LLM 模块LLM 是 LangChain 最核心的模块。常见支持模型包括GPT-XQwenDeepSeek安装依赖pip install langchain langchain-openai示例代码from langchain_openai import ChatOpenAI llm ChatOpenAI( modelgpt-4o, temperature0.7) response llm.invoke(解释什么是 RAG)print(response.content)LLM 负责文本生成推理总结四、Prompt 模块Prompt 是控制 LLM 行为的关键。LangChain 提供PromptTemplateChatPromptTemplate示例from langchain.prompts import PromptTemplate template 你是一个AI助手。 问题{question} 回答 prompt PromptTemplate( input_variables[question], templatetemplate) print(prompt.format(question什么是LangChain))Prompt 的好处模板化可复用可维护五、Memory 模块Memory 用于保存上下文对话。例如聊天机器人需要记住用户历史对话LangChain 提供多种 Memory类型说明ConversationBufferMemory完整对话ConversationSummaryMemory摘要记忆VectorMemory向量记忆示例from langchain.memory import ConversationBufferMemory memory ConversationBufferMemory() memory.save_context( {input: 你好}, {output: 你好请问有什么可以帮助}) print(memory.load_memory_variables({}))六、Retriever 模块Retriever 是RAG 系统的核心组件。它负责根据问题检索相关文档LangChain 支持向量数据库搜索引擎知识图谱常见向量数据库MilvusPineconeQdrant七、Chain 模块Chain 用于组合多个步骤。例如问题 → 检索 → LLM → 答案LangChain 最常见 ChainLLMChainRetrievalQASequentialChain示例from langchain.chains import LLMChain chain LLMChain( llmllm, promptprompt) print(chain.invoke({question:什么是RAG}))八、RAG 项目实战企业知识库问答系统下面实现一个完整 RAG 项目。系统目标用户提问↓检索企业文档↓LLM生成答案架构User↓Retriever↓Vector DB↓LLM↓Answer九、安装依赖pip install langchainpip install langchain-communitypip install sentence-transformerspip install faiss-cpu十、准备企业文档假设企业文档company_docs/api.mdarchitecture.mddeploy.md加载文档from langchain.document_loaders import DirectoryLoader loader DirectoryLoader(company_docs) docs loader.load()十一、文档切分大模型无法直接处理长文本需要切分。from langchain.text_splitter import RecursiveCharacterTextSplitter splitter RecursiveCharacterTextSplitter( chunk_size500, chunk_overlap50) documents splitter.split_documents(docs)十二、向量化使用 embedding 模型from langchain.embeddings import HuggingFaceEmbeddings embeddings HuggingFaceEmbeddings( model_namesentence-transformers/all-MiniLM-L6-v2)十三、构建向量数据库这里使用 FAISSfrom langchain.vectorstores import FAISS vector_db FAISS.from_documents( documents, embeddings)十四、创建 Retrieverretriever vector_db.as_retriever( search_kwargs{k:3})十五、构建 RAG Chainfrom langchain.chains import RetrievalQA qa RetrievalQA.from_chain_type( llmllm, retrieverretriever) result qa.invoke( {query:公司的API限流策略是什么}) print(result[result])十六、完整流程完整 RAG 流程用户问题↓Embedding↓Vector Search↓TopK 文档↓LLM↓答案十七、优化方向企业级 RAG 需要进一步优化1 文档清洗去除噪声统一格式2 重排序使用 reranker 提高准确率。3 Hybrid Search向量检索 关键词检索4 Agent 集成让 Agent 决定是否检索。总结LangChain 提供了一整套构建 LLM 应用的能力模块作用LLM调用大模型PromptPrompt管理Memory对话记忆Retriever知识检索Chain任务编排结合 RAG可以构建企业知识库AI客服AI文档助手AI开发助手这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容