随着LLM（Large language models ）的发展，不仅仅出现了很多新的应用，一些开发框架也发展很快，典型的就是本文介绍的项目——LangChain，目前LangChain几乎一天一个版本，几个月时间Star数目已经49k+。

LangChain是一个开源框架，能够把LLM的能力做为一个模块与其他能力组合，创造新的功能更强大的应用。

本文先阐述了LangChain解决的问题与背景，然后介绍LangChain中的基本概念，第三部分使用LangChain的python框架，用100行代码实现了一个简单的答疑机器人，通过此示例，能对LangChain的应用场景有个快速的认知。

1. 什么是LangChain

官方的表述：“Building applications with LLMs through composability”，LangChain的目的是为了开发应用，通过模块组合的方式使用LLM，并与其他模块组合的方式来创造应用。

使用LangChain的目的是Building applications ，下面从两个方面分析下在开发应用过程中LangChain能解决的问题，一是从一个框架的角度，也就是“连接”的角度，二是从对于目前LLM模型能力补充的角度，LangChain中不少设计也是针对于此。

1.1 LangChain让LLM这个大脑有了身体，并且能使用工具

 LLM取得了快速发展，能够基于LLM实现新的功能更强大的应用，但如果只使用LLM的能力，能做的事情是非常有限的，典型的是看到的对话交互。LangChain能够连接LLM的能力与目前已有的其他能力，创造能力更强大的应用。有些类似于ChatGPT支持插件，但LangChain作为一个框架，把LLM抽象为一个模块，也就是说这个LLM的模式是可以替换的，比如集成公司自研的模型。

1.2 目前的LLM模型使用有不少限制，LangChain能力可以看作对LLM的补充

• 获取实时信息
• 获取私域信息
• 具备执行动作

 训练的数据只到2021年，一些新的信息无法纳入。OpenAI不同模型的数据可以参考：OpenAI Models。解决这个问题，LangChain能够集成搜索引擎模块，在处理问题时，如果是最新的事件，通过搜索引擎来获取数据并分析。

context的token数量有限制

token指的是 OpenAI 处理文本的基本单位。例如，“hamburger” 被分成 “ham”、“bur” 和 “ger” 三个 Token，而 “pear” 是一个 Token。1个 Token 大约相当于 4 个字符或者 0.75 个英文单词。而且中文相对英文，使用的token更多（“你好，世界” 11个token，"Hello World"只有两个token），可以使用OpenAi提供的token分析器来分析，地址：https://platform.openai.com/tokenizer。

GPT3.5不同模型token为4k到8k，GPT4模型有8k和32k的tokens模型。不同模型的token可以参考：OpenAI Models，OpenAi的官方说明：What are tokens and how to count them?。

LangChain在一些场景下能部分解决这个问题，比如检索分析本地资源场景，通过本地构建embedding的库，搜索结果后，让LLM组织语言来回答。embedding简单可以理解为文本的向量化，向量化后能够让机器来计算文本的相似程度。在对话场景下，如果需要记录聊天记录，LangChain有专门的Memory模块来实现此能力。

2. LangChain的基本概念

本章节主要目的不是系统介绍LangChain中的概念，主要目的是能让未接触过LangChain的同学能有个快速认知，主要关注于Chain与Agent组件。学习一门技术最好的方式是阅读官方文档，学习LangChain也是，需要要系统学习，可以参考文档，LangChain的文档地址：🦜️🔗 LangChain | 🦜️🔗 LangChain。文档很好读，LangChain也不复杂，看Twitter上分享，很多同学都按耐不住，学学python，自己动手造AI应用。

LangChain中主要的Components目前主要有：Schema、Models、Prompts、Indexes、Memory、Chain、Agent，参考：Components | 🦜️🔗 LangChain，其中核心的概念是Chain与Agent，本章节主要围绕着两个概念展开。

一种利用 ChatGLM-6B + langchain 实现的基于本地知识的 ChatGLM 应用。增加 clue-ai/ChatYuan 项目的模型 ClueAI/ChatYuan-large-v2 的支持。其整体流程如下图。

基于FlowWise快速完成langChain+LLM搭建 

 

git clone https://github.com/FlowiseAI/Flowise.git

GitHub - FlowiseAI/Flowise: Drag & drop UI to build your customized LLM flow using LangchainJS

安装教程 

Flowise｜无代码 ChatBot 构建平台｜LangChain - 知乎 

本人是搭建是基于阿里云主机docker自己本地构建的镜像

下载源码

git clone https://github.com/FlowiseAI/Flowise.git

进入Flowise目录，构建镜像 

docker build --no-cache -t flowise .

 运行容器

docker run -d --name flowise -p 3000:3000 flowise

查看是否运行成功

docker ps

成功访问Flowise