Langchain使用指南

### LangChain 使用教程 #### 链的定义与应用 链是 LangChain 中的任务组合机制，旨在管理和协调数据流以及执行复杂的操作流程。不同类型的链适用于不同的应用场景： - **LLMChain**: 基础链结构，适合简单的任务处理[^1]。 ```python from langchain import LLMChain, PromptTemplate template = "What is a good name for a company that makes {product}?" prompt = PromptTemplate(input_variables=["product"], template=template) llm_chain = LLMChain(prompt=prompt) print(llm_chain.run(product="colorful socks")) ``` - **RefineChain**: 设计用于涉及多个步骤的任务，能够逐步细化结果. ```python from langchain.chains.refine import RefineDocumentsChain refine_chain = RefineDocumentsChain() # Example usage would involve passing documents and prompts to refine the output iteratively. ``` - **MapReduceChain**: 支持并行化处理大量数据集，在提高效率方面表现出色. ```python from langchain.chains.mapreduce import MapReduceDocumentsChain map_reduce_chain = MapReduceDocumentsChain() # This chain can be used to process large datasets by splitting them into chunks, # processing each chunk independently (map), then combining results (reduce). ``` #### 检索器（Retriever） 检索器组件负责从大量的文档集合中高效地提取最相关的片段或全文本。这在面对海量信息源时尤为有用，可以显著提升响应速度和准确性. #### 文档相似度搜索实例 利用 Elasticsearch 结合 LangChain 实现高效的文档相似度搜索功能。此方法特别适用于需要迅速定位到大型文档库内相关内容的情况。例如在一个包含多年份体育赛事报道的数据集中寻找有关2023年环法自行车赛的信息[^2]: ```python import elasticsearch from langchain.retrievers.elastic_search_retriever import ElasticSearchRetriever es_client = elasticsearch.Elasticsearch(hosts=['http://localhost:9200']) retriever = ElasticSearchRetriever(es_client) query = "Who won the Tour de France in 2023?" results = retriever.retrieve(query=query) for result in results: print(result['_source']['content']) ``` #### 文档问答系统构建 借助于强大的语言模型(LLMs)，可以通过解析PDF、HTML页面或是企业内部资料等方式获取知识，并据此建立交互式的问答平台。LangChain 提供了一系列工具帮助开发者轻松搭建这样的应用程序，包括但不限于嵌入(embeddings)技术和向量数据库(vector stores)[^3]. ```python from langchain.document_loaders import PyMuPDFLoader from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma loader = PyMuPDFLoader("path/to/document.pdf") documents = loader.load() embeddings = OpenAIEmbeddings(openai_api_key='your-api-key') vector_store = Chroma.from_documents(documents, embeddings) qa_system = vector_store.as_retrieval_qa() response = qa_system({"question": "What was discussed on page 5?"}) print(response['answer']) ```