LLM大模型应用开发框架：LangChain和LangGrap
LangChain概述
LangChain 是一种通过在链中执行一系列功能来构建利用 LLM 的应用程序的方法。处理是按顺序执行的，类似于单向道路。
链（Chain）的理解
例如，构建如下的一个应用程序：
- 检索数据（Retrieve）
- 解释（总结）数据（Summarize）
- 用户提问的解答（Answer）
LangChain工作流程详情
数据检索组件（Retrieve Component）
- 文档加载器（Document loader）
从数据源获取并导入内容
- 文本分割器（Text splitter）
将文本分割成有意义的块
总结组件（Summarize Component）
- 链（Chain）：解释过程的控制
- 提示词准备（Prompt Preparation）：准备向LLM下达指令
- LLM交互（LLM/SLM Interaction）：执行与模型的交互
回答组件（Answer Component）
- 链（Chain）：答案生成过程的控制
- 记忆（Memory）：参考并保存对话历史记录和上下文
- 提示词准备（Prompt Preparation）：准备生成答案
- LLM对话（LLM/SLM Interaction）：与模型执行交互（可以选择不同的模型）
LangChain Agent
LangChain有“Agent”的概念，即：
从一组定义的工具中选择并使用适当的工具
- 创建任务执行计划
- 在一系列处理流程中做出决策
- 基本上不保留状态（如有必要，使用内存组件）
LangGraph概述
LangGraph 是一个独立的库，作为 LangChain 的扩展而开发。它旨在构建一个系统，多个具有独立角色的AI进程（代理）可以通过共享状态进行协作，并根据情况灵活响应。
主要特点
状态保持功能：
- 维护整个系统的状态
- 对话历史记录保留
- 跟踪任务进度
- 记住用户选择历史
多代理系统：
- 多个独立的AI流程协作
- 每个都有特定的角色
- 通过共享状态交换信息
- 动态处理分布
非线性工作流程：
- 根据情况灵活选择加工方式
- 如有必要，返回上一步
- 执行并行处理
LangGraph的构成要素
节点（Node）：
- 代表各个处理代理
- 具有独立的功能
- 示例：输入处理、任务添加、任务完成、状态确认等。
边缘（Edge）：
- 节点之间的连接
- 定义数据和控制流
- 表示处理方向
状态管理（State）：
- 维护整个系统的状态
- 代理之间的信息共享
- 维护上下文
LangChain和LangGraph的比较
目的：
- LangChain：通过链接LLM操作进行抽象
- LangGraph：实现执行复杂协作操作的多智能体系统
结构：
- LangChain：使用DAG（有向无环图）的单向处理
- LangGraph：共享状态并允许双向处理的图结构
状态管理：
- LangChain：有限（由内存组件管理）
- LangGraph：强大的系统范围状态管理
使用案例：
LangChain：
- 文档摘要系统
- 简单的问题回答
- 数据转换管道
LangGraph：
- 任务管理助理
- 复杂的对话系统
- 项目管理系统
哪些场景需要选择LangChain：
- 工艺流程清晰有序
- 简单的输入到输出转换
- 对状态管理的需求不高
哪些场景需要选择LangGraph：
- 需要复杂的交互和状态管理
- 需根据情况灵活处理
- 需要协调多个人工智能流程
实施视角：
- LangChain：简单实现即可上手
- LangGraph：更复杂但更灵活
理想情况下，可以根据项目要求适当地将两者结合起来，创建一个高效、灵活的系统。
THE END
