Seni Bina dan Komponen Teras LangChain

Bagaimana LangChain distrukturkan sebagai jambatan antara LLM, data dan alat, fungsi setiap komponen teras dan contoh mudah yang menggabungkannya.

01Pengenalan kepada LangChain 06Chain dalam LangChain 08Memory dalam LangChain

2.1

Gambaran Keseluruhan Seni Bina

LangChain menyediakan seni bina modular untuk membina aplikasi LLM.
Ia bertindak sebagai jambatan antara LLM, sumber data luar, alat dan logik aplikasi.
Ia menyediakan antara muka dan abstraksi piawai untuk bekerja dengan pelbagai penyedia dan komponen LLM.
Kita boleh gabungkan komponen mengikut kes penggunaan (RAG, ejen, dsb.).

2.2

Aliran Satu Permintaan

1Pengguna memberikan pertanyaan kepada aplikasi.
2LangChain memproses pertanyaan menggunakan chain, agent atau retriever.
3Ia berinteraksi dengan LLM, sumber data luar, alat dan vector store.
4LLM menjana respons menggunakan konteks dan alat yang diberikan.
5LangChain memulangkan respons akhir kepada pengguna.

2.3

Rajah Seni Bina

Pertanyaan Pengguna

Aplikasi LangChainChain / Agent

LLMsOpenAI, Claude, etc.

Pangkalan Data VektorFAISS, Chroma, dsb.

API LuarSerpAPI, DB, dsb.

AlatKalkulator, carian, dsb.

Di dalam aplikasi terdapat komponen LangChain: prompt, chain, agent, memory, document loader, vector store dan alat.

2.4

Komponen Teras dan Tujuannya

Komponen	Tujuan
Models	Antara muka kepada pelbagai LLM (OpenAI, Anthropic, dsb.).
Prompts	Mengurus dan mencipta prompt serta prompt template.
Chains	Menggabungkan beberapa langkah untuk mencipta aliran kerja.
Agents	Menggunakan alat untuk bertindak dan menyelesaikan tugas kompleks.
Memory	Mengekalkan sejarah dan konteks perbualan.
Document Loaders	Memuatkan data daripada pelbagai sumber (PDF, web, DB, dsb.).
Text Splitters	Memecahkan dokumen besar kepada chunk yang lebih kecil.
Vector Stores	Menyimpan dan mencari embedding untuk carian persamaan.
Retrievers	Mendapatkan dokumen yang relevan daripada vector store.
Tools	Mengintegrasi alat dan API luar.
Callbacks	Menjejak dan memantau pelaksanaan (log, penggunaan token, dsb.).

2.5

Contoh Mudah: Menggunakan Komponen Teras

python

from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain

# 1. Define LLM
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# 2. Define prompt template
template = PromptTemplate(
    input_variables=["topic"],
    template="Explain {topic} in simple words."
)

# 3. Create chain
chain = LLMChain(llm=llm, prompt=template)

# 4. Run chain
response = chain.invoke({"topic": "LangChain"})
print(response)

Kita cipta satu instans LLM (OpenAI).
Tentukan prompt template dengan satu pemboleh ubah.
Cipta LLMChain dengan model dan prompt.
Panggil chain dengan input untuk mendapatkan respons.
Kita juga boleh menggunakan memory, alat, retriever, dsb. untuk aplikasi lanjutan.