迭代一年，LangChain首个稳定版本终于发布，LangGraph把智能体构建为图
迭代一年，LangChain首个稳定版本终于发布，LangGraph把智能体构建为图
不知不觉,LangChain 已走过了第一年。作为一个开源框架,LangChain 为构建基于大型语言模型的AI应用提供了所需的模块和工具,极大地降低了开发门槛,使任何人都可以基于GPT-4等模型实现自己的创意。
在过去的一年里,LangChain 自身也在不断进化。LangChain团队刚刚宣布,他们的首个稳定版本LangChain v0.1.0正式发布。
这个版本集成了模块化设计、服务治理等功能,提供了更完善的文档和示例,使LangChain变得更加易于上手和扩展。该版本的发布标志着LangChain已然从概念验证阶段进入产品化和成熟化的新阶段。
架构
- 可观察性：构建复杂的 LLM 应用是困难的。为了更好地进行调试，你需要知道采取的确切步骤以及每个步骤的输入 / 输出。通过与 LangSmith 的紧密集成，LangChain 在可观察性方面做到了业界领先；
- 集成：拥有近 700 个集成，无论你想使用什么技术栈，LangChain 都能支持；
- 可组合性：使用 LangChain 表达式语言，轻松创建任意 chain，为你带来数据编排框架的所有好处；
- 流式处理：官方团队投入了大量精力，以确保所有使用 LangChain 表达式语言创建的 chain 都能以一流的方式支持流 —— 包括中间步骤的流；
- 输出解析：使 LLM 以特定格式返回信息对于使其能够采取行动至关重要；
- 检索：添加先进但适用于生产环境的检索方法，包括文本分割、retrieval 和索引管道；
- 工具使用 + 智能体：智能体集合（决定采取哪些行动），工具集合，定义工具的简单方法。
- 未来的0.2版本计划进一步优化链式结构,增加新类型的链和智能体,改进生产环境下的摄取能力等。
LangChain 官方还发布了一系列视频来介绍新功能。
langchain 0.1.0版本变更日志:
弃用类/方法 | 替代品 | 原因 |
|---|---|---|
ChatVectorDBChain | ConversationalRetrievalChain | 更通用的检索链 |
create_ernie_fn_chain | create_ernie_fn_runnable | 使用LCEL底层 |
created_structured_output_chain | create_structured_output_runnable | 使用LCEL底层 |
NatBotChain | 无 | 未被使用 |
create_openai_fn_chain | create_openai_fn_runnable | 使用LCEL底层 |
create_structured_output_chain | create_structured_output_runnable | 使用LCEL底层 |
load_query_constructor_chain | load_query_constructor_runnable | 使用LCEL底层 |
VectorDBQARetrieval | QAMore | 更通用的检索器 |
Sequential Chain | LCEL | 被LCEL取代 |
SimpleSequentialChain | LCEL | 被LCEL取代 |
TransformChain | LCEL/RunnableLambda | 被LCEL取代 |
create_tagging_chain | create_structured_output_runnable | 使用LCEL底层 |
ChatAgent | create_react_agent | 使用LCEL构建器替代类 |
ConversationalAgent | create_react_agent | 使用LCEL构建器替代类 |
ConversationalChatAgent | create_json_chat_agent | 使用LCEL构建器替代类 |
initialize_agent | 个别创建agent方法 | 个别方法更清晰 |
第三方集成
LangChain 的第三方集成位于 langchain-community 包中。
将第三方集成从 langchain-core 中分离出来,有利于更好的依赖管理和版本控制。
分离集成到独立的包中,可以更精细地控制集成的版本需求,简化安装过程。
独立的集成包有利于根据第三方服务的变化进行版本管理。
LangChain 目前已经对大约10个集成进行了独立打包,包括 OpenAI、Google 和 Mistral 等。
未来还会继续增加第三方服务的集成支持。
LangChain 作为粘合剂,通过强大的集成生态系统连接了构建语言模型应用所需的不同组件。
LangChain 非常重视第三方集成的质量,以提高集成的健壮性、稳定性、扩展性和用户体验。
可观察性
集成了LangSmith,提供端到端的调试跟踪。LangSmith可以记录每个步骤的输入输出,所需时间等调试信息。
支持不同粒度的日志记录,通过verbose和debug模式,在整个链路中记录日志。
实现了可视化chain的方法,可以看到chain的样子。
提供了获取所有使用提示的方法。
通过架构决策和辅助工具提高了可观察性。LangChain视可观察性为构建基于LLM的应用的关键。
LangSmith为调试提供了沙箱环境,可以调试LLM的响应。
LangSmith支持追踪token使用情况等高级调试功能。
LangChain正在持续改进LangSmith,提升其可扩展性,并计划推出公测版。
可观察性是LangChain一个非常重要的设计理念。
LangGraph
提供了各种集成,让语言模型可以调用函数或工具。
提供了多种方法,可以构建语言模型的响应,以适应这些工具的输入格式。
提供了灵活的自定义方法,允许用户定制调用这些工具的方式。
内置了多种不同的智能体方法,主要都是语言模型在循环中运行,每次决定调用哪个工具。
一开始就集成了ReAct提示策略,后续又添加了许多其他智能体类型。
通过OpenAI函数调用等方式支持智能体。
专门优化了针对对话的智能体类型。
灵活的工具支持和先进的推理能力,使LangChain成为构建智能体的默认方式。
LangChain提供了智能体的基础模块,上层应用可以基于此进行扩展,例如CrewAI。
LangChain不限定具体的智能体实现,留有很大自定义空间。
更多参考官网：https://python.langchain.com/docs/get_started/introduction