作為LLM（大模型）開發(fā)框架的寵兒，LangChain在短短幾年內(nèi)迅速崛起，成為開發(fā)者們不可或缺的工具。本文將帶你探討LangChain和LangChainHub的發(fā)展歷程。

一、LLM開發(fā)框架的寵兒

這兩年人工智能領(lǐng)域發(fā)展迅猛，LLM（大模型）的出現(xiàn)功不可沒。LLM的發(fā)展將整個人工智能領(lǐng)域往前推進(jìn)了一大步，將人工智能這道狹窄的門撐寬了不少，讓我們這些平凡的普通人也有機(jī)會擠進(jìn)人工智能的發(fā)展中。

普通開發(fā)者在人工智能領(lǐng)域能做什么呢？目前可以發(fā)力的領(lǐng)域是：開發(fā)基于LLM的App。開發(fā)LLM的App有多種實現(xiàn)方式，LangChain是比較流行的一種。

伴隨著人工智能的發(fā)展，這兩年LangChain發(fā)展迅猛，GitHub上的star數(shù)飆升，近期更是成功融資2億美刀，足見其受歡迎程度。

早期的LangChain只是作為一個工具或者膠水，集成了多個LLM和多種外部組件（比如記憶、檢索、向量數(shù)據(jù)庫、工具集等等），方便開發(fā)者快速開發(fā)基于LLM的App。

我估計，當(dāng)時LangChain的創(chuàng)始人對LangChain的定位也不是很清晰，只是覺得AI應(yīng)用開發(fā)是個不錯的風(fēng)口，先搞了再說，這也很符合創(chuàng)業(yè)和商業(yè)邏輯。

二、現(xiàn)在的LangChain

隨著LLM的發(fā)展，一切逐步走向確定性（業(yè)內(nèi)一致認(rèn)為LLM App是未來的方向），而且可能伴隨著商業(yè)化的要求，LangChain對自己的定位發(fā)生了一些改變。

早期的LangChain可能只是想抓住一波LLM的風(fēng)口，對于自身的定位也不是很清晰，隨著LLM領(lǐng)域更多的發(fā)力點在構(gòu)建基于LLM的App上，LangChain也趕緊調(diào)整了自身的定位。

不再定位在：膠水、工具集合等等理念了。更多的強(qiáng)調(diào)自己是：構(gòu)建LLM App的最大社區(qū)，基于LangChain可以開發(fā)出可推理的應(yīng)用程序。

調(diào)整了定位，生態(tài)也自然做了調(diào)整，同時軟件架構(gòu)也隨之變化，比如：軟件包上做了很多重構(gòu)和重組，核心能力 和 周邊社區(qū)生態(tài) 的邊界越發(fā)清晰。

同時，還加入了LangSmith用于監(jiān)控LLM應(yīng)用，還有LangServe用于部署LLM應(yīng)用。一切的步伐都在朝著商業(yè)化發(fā)展。

至此LangChain調(diào)整為以下幾個核心模塊：

• LangChain-Core：抽象LangChain的內(nèi)核 和 LangChain 表達(dá)式語言。
• LangChain-Community：集成的各種第三方部件。
• LangChain：構(gòu)成LLM應(yīng)用程序需要的 鏈、代理和檢索等。
• LangSmith：開發(fā)者平臺，可讓 調(diào)試、測試、評估和監(jiān)控 基于任何 LLM 框架上構(gòu)建的鏈，并與 LangChain 無縫集成。
• LangServe：用于將 LangChain 的應(yīng)用 部署為 REST API。

這幾點我們從官網(wǎng)的架構(gòu)圖清晰可見。也可以認(rèn)為此時的LangChain變成了一個SAAS化的開發(fā)者平臺。而它提供的組件、工具、監(jiān)控、部署等生態(tài)，也都是為了讓開發(fā)者方便的開發(fā)出LLM App，然后部署到這個平臺上。

LangChain是一個優(yōu)秀的LLM開源框架，也無法避免走上常規(guī)的開源軟件商業(yè)化的套路。

三、早期的LangChainHub

LangChain早期推出的各種組件中LangChainHub是其中一個比較有意思的項目。

早期LangChainHub對自己的定位如下：LangChainHub 受 Hugging Face Hub 啟發(fā)，是一個用于發(fā)現(xiàn)和提交常用的 提示、鏈、代理等的平臺。早期，LangChainHub以Prompt集合為起點，然后很快擴(kuò)展到 鏈 和 代理。

這個定位我們從之前的LangChainHub在github倉庫上的目錄可見一斑。

此時的LangChainHub 可以理解為LangChain 工具包 或者說 組件中心，里面提供了高質(zhì)量的組件方便開發(fā)者使用。確確實實是一個分享和探索Prompt、鏈 和Agent的地方。

比如，我們要基于reAct機(jī)制實現(xiàn)一個Agent，如果自己寫一堆Prompt（提示詞）那就太費勁了。此時，在LangChainHub就有許多現(xiàn)成可用的Prompt模板，使用簡單又省事，所以LangChainHub迅速流行開。

四、現(xiàn)在的LangChainHub

那現(xiàn)在的LangChainHub在新的LangChain架構(gòu)圖的哪里呢？我也覺得挺奇怪的，LangChainHub也是算生態(tài)里較為重要的版塊，架構(gòu)圖里居然沒提。

后來發(fā)現(xiàn)，LangChainHub被放到了LangSmith里。這個從新版的官方文檔也是清晰可見。

這也算合情合理吧，畢竟LangSmith是一個開發(fā)者平臺，用于調(diào)試、測試、評估、監(jiān)控基于LLM框架的鏈，在這個平臺上，可以使用和創(chuàng)建Prompt。

早期的時候LangChainHub有Prompt、Chain、Agent，現(xiàn)在也只有Prompt了。我個人對LangChainHub的定位多少覺得有些悲涼了，LangChainHub淪為了Prompt模板倉庫。

我認(rèn)為這背后存在兩種可能的原因：

• 可能是商業(yè)化的要求吧，將常用的Prompt模板挪到開發(fā)者平臺LangSmith里，畢竟LangSmith是有各種付費計劃的。
• 可能是官方對于LangChainHub里的內(nèi)容開始做收縮，聚焦于Prompt，畢竟Prompt比較獨立 而且易于交付。而Chains 和 Agents 相對來說，交付難度高一些，變動性也低，所以官方直接將 Chains 和 Agents 沉淀到自己的核心庫里，這樣也能保證Chains 和 Agents 的質(zhì)量，保證自己的口碑。

LangChainHub真的是始于Prompt，終于Prompt?。?！當(dāng)然啦，以后的LangChainHub怎么發(fā)展就不得而知了。

慶幸的是，我們大部分場景還是使用Prompt模板居多，此時的LangChainHub里依舊能找到大咖們貢獻(xiàn)的復(fù)雜常用的Prompt模板，降低了我們使用ReAct、Tool的門檻。

五、LangChainHub的使用

下面我們通過一個示例，來看看如何使用LangChainHub。

1.拆解LangChainHub的Prompt

比如：要實現(xiàn)一個reAct機(jī)制，如果我們自己寫提示詞，那太復(fù)雜了。但是LangChainHub上已經(jīng)有大佬定義好了相關(guān)提示詞。

比如：structured-chat-agent（https://smith.langchain.com/hub/hwchase17/structured-chat-agent），提示詞寫的還是有點復(fù)雜的，大致意思就是：告訴LLM，它可以使用一堆什么格式的工具，然后先推理，選擇合適的工具，執(zhí)行之后，進(jìn)行觀察，觀察完了之后，繼續(xù)推理，如果有答案了，就回復(fù)用戶。

具體內(nèi)容如下：

2.使用LangChainHub

使用LangChainHub上的Prompt就2步：

• 導(dǎo)入LangChainHub庫
• 從Hub上拉取對應(yīng)的提示詞

接下來舉個例子，比如，LLM在直接計算浮點數(shù)加減時會出現(xiàn)錯誤，我要做一個基于reAct框架的AI Agent，讓這個Agent幫我精準(zhǔn)計算浮點數(shù)。這里使用LangChainHub里的structured-chat-agent來簡化我的流程。

具體代碼如下：

from langchain import hub
from langchain.agents import create_structured_chat_agent, AgentExecutor, tool
from langchain.memory import ConversationBufferMemory
from langchain.schema import HumanMessage
from langchain.tools import BaseTool
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-3.5-turbo",
    openai_api_key="sk-xnAKVC6V0LzBwqGK9fE59cFcBc3f40DcBf96C135112dFb63",
    openai_api_base="https://api.aigc369.com/v1",
)


# 定義工具
class SumNumberTool(BaseTool):
    name = "數(shù)字相加計算工具"
    description = "當(dāng)你被要求計算2個數(shù)字相加時，使用此工具"

    def _run(self, a, b):
        return a["title"] + b["title"]


# 加入到工具合集
tools = [SumNumberTool()]

# 使用reAct的提示詞
prompt = hub.pull("hwchase17/structured-chat-agent")

# 創(chuàng)建Agent
agent = create_structured_chat_agent(llm=model, tools=tools, prompt=prompt)

# 創(chuàng)建記憶組件
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

# 創(chuàng)建Agent執(zhí)行器
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, memory=memory, verbose=True, handle_parsing_errors=True
)

agent_executor.invoke({"input": "你幫我算下 3.941592623412424 + 4.3434532535353的結(jié)果"})

六、總結(jié)

本文主要聊了LangChain和LangChainHub的發(fā)展變遷，還介紹了LangChainHub的使用，希望對你有幫助！