LangChain是什麼？最詳細的入門指南：從基礎到進階應用

LangChain 是一種幫助應用程式構築的框架，特別是「大型語言模型」 LLM。LLM 是一種人工智慧模型，通過大量的文本資料訓練，即可生成文字、翻譯以及回答問題。而 LangChain 整合了 LLMs（多種 LLM）、資料庫與應用介面，使我們能夠更直觀地操作。

根據 LangChain 中文官網 的資訊，其包含 Chains（鏈）以及一些功能元件，這些是可以直接使用的程式碼，讓我們能根據實際需求自由組合。

簡單來說，可以將 LangChain 形容成一個積木箱，裡面提供了許多現成的積木，讓我們可以依據情況取用並組裝，因此建構時就不需要從零開始寫所有的程式碼。

因為 AI 的發展變化迅速，若是每次改變方式都要從頭寫程式碼，會浪費太多時間在基礎的變動上。如果藉由 LangChain 整合、串聯 LLMs 與程式應用 ，就能簡化編寫 AI 的過程，讓使用者更專注在系統的設計，也能提高效率！

上面我們介紹 LangChain 主要功能在於整合 LLMs 、資料庫和程式應用，使得我們可以更加簡單地使用 LLMs。除此之外， LangChain 還有哪些特點讓它如此重要呢？以下就來談談 LangChain 的 4 大優勢：

1. 高度靈活性

LangChain 支援 Python、JavaScript 這兩種主要程式語言。由於兩者的語法和編寫方式不同，所以在兩種語言之間切換時需要修改程式碼。不過 LangChain 的設計使其在各個語言版本中提供相似的介面和功能，讓你可以在不同的語言環境下，用相似的操作邏輯來完成，這為開發者在不同語言間切換時提供了一定的靈活性。

2. 簡化使用流程

LangChain 提供相當豐富的應用程式介面（API），裡面包含多種常使用到的元件，這讓使用者可以直接根據情況自由運用，不需要一一深入了解模型內容、從頭開始撰寫程式碼，簡化了使用流程。

3. 方便擴充

LangChain 可以配置和擴充外部的資源和工具，如資料數據庫。因此當使用者需要更詳細的資料時，便能方便使用。同時也能運用外部的工具和資源，進行更複雜的數據運算。

4. 整合組件生態系統

LangChain 支援多種 LLM 及各類第三方服務，能夠快速整合應用組件的生態系統。這讓使用者可以輕易切換不同工具，也可以運用外部的功能，使得應用過程獲得全面的支援。

只單純使用 LangChain 不需要付費，但如果你想進一步提升開發效率和準確性，可以考慮使 LangSmith 檢查、監控和評估你在 LangChain 上的應用，包含更深入的測試、評估和數據追蹤等。

這時你可以參考官網上提供的不同付費方案，以便你的運作過程。接下來我們將詳細介紹這些方案的類型，幫助你根據需求挑選適合的方案！

1. Startups

此方案提供使用者免費使用，但僅限最基礎的功能。此外，因為這個方案不限制人數，所以適合初期接觸 LangChain 的團隊。

2. Developer

這個方案提供 1 人免費使用，並且可以使用 LangSmith 的追蹤、監測等進階功能，因此適合一人開發者。除此之外，該方案中每月提供 5,000 個追蹤額度。如果你覺得免費的數量不夠，還可以用 0.50 美金加購 1,000 基本追蹤額度。

3. Plus

此方案的使用者人數上限為 10 人，一人每月 39 美金。相較於 Developer，Plus 特別提供了官方信箱，使用時遇到的相關問題都能寄信詢問。除此之外，此方案提供的追蹤額度增加到每月 1 萬個，同樣能以加價的方式增價額度。綜合以上特點，方案 Plus 相當適合小型開發團隊。

4. Enterprise

企業版包含最完整的功能，你會發現在官網中沒有標示明確的價格，因為這個方案會依照企業的所有需求，提供客製的數量。除了能使用更進階的 LangSmith 技術功能，企業版還擁有完善的服務功能，包含數據隱私管理以及 SLA（服務級別協定），因此相當適合具規模的企業或開發團隊。

根據上述提到的特點，我們幫你整理成以下表格：

• LangChain-core

LangChain-core 是 LangChain 的核心部分，包含可使用的基礎元件，和 LangChain 表達式語言（LangChain Expression Language），用於連結和組成 LangChain 的不同功能。

• LangChain-community

第三方集成庫，包含了各種組件，如記憶功能。當我們在使用 LangChain 時，可以依據情形使用這個第三方提供的組件功能。常見的組件為了方便使用者直接運用，會被另外區分出來（例如 OpenAI）。

• LangChain（物件儲存服務 OSS）

物件儲存服務（OSS） 是 LangChain 上的儲存區塊，用來存放和管理數據。其中包含所有的 LangChain。

• LangGraph

LangChain 的擴展，幫助 LangChain 在使用大型語言模型時，能更有效地抓取相關資料。可以想像成每個資料都有對應的節點，這樣就能快速依據資料性質找到跟問題相關的資訊。

• LangServe

LangServe 用於將流程機制或應用擴展成一個可使用的服務，這樣其他人可以通過應用程式請求來使用這些應用，讓操作過程變得更加簡單。例如，有人將網路相關的機制建立成一個服務，這樣當我們需要在處理相關問題的時候，就能使用現成的網路服務，不需要自己另外從頭建設。

• LangSmith

LangSmith 是專門為開發者設計的平台，它提供了檢查、評估和追蹤 LangChain 等的工具。當我們想更進一步檢視並提升 LangChain 的效率時，便可以使用 LangSmith 進行更深入測試。

上面我們介紹了 LangChain 的框架，接著來講述我們使用 LangChain 時會用到的主要功能 。首先 LangChain 基礎是 Models，我們需要先要執行的語言模型，再根據使用需求加入其他元件。以下介紹 7 個常用功能元件：

1. Models

LangChain 可以串聯不同的模型，其中包含 LLMs 語言模型和 ChatModel 聊天模型，讓使用者根據情況選擇想執行的模型。

• LLMs

這裡提到的 LLMs 是一種用來生成和摘要文字的語言模型。我們可以對語言模型下達指令，並仔細描述這個動作內容。LLMs 便會根據這段文字敘述，創造或改寫出新的內容。

• ChatModel

ChatModel 則是用來進行對話的聊天模型，它會接收一系列的對話訊息，然後輸出回應訊息。在 LangChain 裡，我們會依照情境使用 3 種角色（Role）讓語言模型辨識說話者，其中HumanMessage 代表「使用者」；AI 表示語言模型的回應； System 則指示語言模型需要執行的動作。

2. Prompt Templates

提示（Prompt） 是指使用者提供的一組指示或輸入，可以理解為我們對 LLMs 下達的指令動作，或是想要它如何執行的詳細描述。在 Langchain 含有 Prompt Template 可以使用，這是一個固定的框架或模板，讓使用者可以只藉由替換部分元件，就能在不同的語言模型上重複使用指令。

3. Output Parser

Output Parser 是 LangChain 中的輸出解析器，它能接收並處理 LLMs 生成的回應。LLMs 的回應通常會是一大段文字，但我們在其他應用場景，會需要使用具結構化的資料，例如表格、列表或特定的格式，可以讓電腦更有效地分析。這時就需使用解析器轉換資料，使其變成更有結構化的格式，以方便後續的處理。

Output Parser 提供了多種解析器，例如我們需要 JSON 物件（Object）時，便可以利用 JsonOutputParser 輸出。

4. Embedding Models

因為 LLMs 一次只能接受幾千個單字，但我們大多時候都需要語言模型分析並解讀相當大的文檔，所以這時會需要使用向量嵌入模型（Embedding Models）。它會將文本轉換成向量呈現，這些向量可以視為一組數字。

嵌入（Embedding）是指將一段文字轉換成數字的技術，這組數字能涵蓋文本的內容意義並代表文本。這使得 LLMs 可以透過數學運算，不需要分析大量的文字或圖片，就能找到意義相似的其他文本。

5. Vector Stores

Vector Stores 可當作一個向量資料庫，將 Embedding Models 產生的向量（數字）儲存在其中。當 LLMs 遇到問題時，LangChain 的 Vector Stores 會先將查詢內容轉換成向量，接著系統會搜尋大量的資料庫，分析最相似的其他向量，這個過程稱為檢索（Retrieval）。如此就能找到意義相近的內容，並將這項結果回傳給 LLMs，幫助其回答。

6. Agents

我們通常會想利用 LLMs 回答一些較為複雜的問題，並希望得到更精確的結果。但 LLMs 自己只能輸出簡單訊息（如回應或是翻譯文本）。這時候我們就需要使用 LangChain 中的 Agent 代理元件。

Agent 代理元件可以將 LLMs 視為一種推理引擎，藉此讓 LLMs 使用其他功能去分析問題，讓它看起來像能夠「思考」。這樣 LLMs 能依據我們設定的資料，自動選擇使用適合的工具執行，並運用得出的結果回答我們輸入的問題。

7. Chat History

Chat History 主要是用來記錄和管理對話的過程。它可以包裝任何類型的鏈，因此能跟蹤這些鏈的輸入和輸出，並且將這些訊息傳送到數據庫內。如此一來，系統就可以調動以前的訊息，根據這些舊資訊作為背景資訊，以應對未來的對話。

舉例來說，當你跟機器人進行對話的時候，Chat History 會記錄這個完整對話，可以幫助機器人回憶之前的紀錄，提供更連貫、更精準的回應。

現在我們已經對 LangChain 有了基本認識。接下來，我們將使用 LangChain 來實現一個簡單的翻譯功能，藉由實例教學，幫助你更深入了解 LangChain 的工作原理。

首先，我們要在電腦上安裝 LangChain，可以使用 pip 安裝：

pip install langchain

LangChain 支援許多不同的語言模型，除了示範中選擇的 OpenAI，還有來自法國的新創 MistralAI、以及由 OpenAI 前成員開發的 Anthropic ！

我們先選擇好使用的語言模型，在這裡選擇使用 OpenAI，先透過 pip 安裝：

pip install langchain-openai

接著，這裡選擇使用較為便宜的 gpt-3.5-turbo 參數，輸入以下語法：

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-3.5-turbo")

提示模板可以告訴模型我們要讓它執行的動作，這裡我們希望模型幫我們把句子翻譯成特定語言，因此設定模板如下：

rom langchain_core.prompts import ChatPromptTemplate

system_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

其中，{language} 可以填入我們想翻譯成的語言，比如義大利語或法語；而 {text} 則是我們希望翻譯的句子內容。

這一步驟是告訴 LangChain 如何處理模型的回應。因為我們只需要模型回傳簡單的句子，所以使用 StrOutputParser()，它可以確保最終的輸出為純文字，方便我們後續直接使用或顯示。輸入以下語法：

from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()

我們把上面的提示模板、模型和輸出解析器串在一起，形成一個「鏈（Chain）」。這條鏈的作用是讓每一部分依序執行：先用模板告訴模型該做什麼，再由模型產生回應，最後由解析器處理輸出。語法如下：

chain = prompt_template | model | parser

最後，我們可以啟動這條「鏈」，並給它一些要翻譯的內容，例如翻譯「hi」成義大利語：

chain.invoke({"language": "italian", "text": "hi"})

這時你便會得到翻譯好的結果。

以上就是 LangChain 的介紹，如果您想要了解更多 Solwen AI 資訊，或者想要免費諮詢 AI 導入評估，都可以透過下方藍色按鈕與 Solwen AI 團隊聯繫！