一.StrOutputParser字符串输出解析器

1.StrOutputParser是LangChain内置的简单字符串解析器

• 可以将AIMessage解析为简单的字符串，符合了模型invoke方法要求（可传入字符串，不接收AIMessage类型）
• 是Runnable接口的子类（可以加入链）

parser = StrOutputParser()

chain = prompt | model | parser | model

2.Runnable接口

二.JsonOutputParser&多模型执行链

chain = prompt | model | parser | model | parser

在前面我们完成了这样的需求去构建多模型链，不过这种做法并不标准，因为：

上一个模型的输出，没有被处理就输入下一个模型。

正常情况下我们应该有如下处理逻辑：

invoke｜stream 初始输入  提示词模板  模型  数据处理  提示词模板  模型  解析器  结果

即： 上一个模型的输出结果，应该作为提示词模版的输入，构建下一个提示词，用来二次调用模型。

• 模型的输出为：AIMessage类对象
• 提示词模板要求输入:dict类对象

所以，我们需要完成： 将模型输出的AIMessage  转为字典  注入第二个提示词模板中，形成新的提示词（PromptValue对象）

• 模型输入：PromptValue或字符串或序列（BaseMessage、list、tuple、str、dict）。
• 模型输出：AIMessage
• 提示词模板输入：要求是字典
• 提示词模板输出：PromptValue对象
• StrOutputParser：AIMessage输入、str输出
• JsonOutputParser:AIMessage输入、dict输出

三.RunnableLambda&函数加入链

除了JsonOutputParser这类固定功能的解析器之外 我们也可以自己编写Lambda匿名函数来完成自定义逻辑的数据转换，想怎么转换就怎么转换，更自由。 想要完成这个功能，可以基于RunnableLambda类实现。

RunnableLambda类是LangChain内置的，将普通函数等转换为Runnable接口实例，方便自定义函数加入chain。

语法： RunnableLambda(函数对象或lambda匿名函数)

跳过RunnableLambda类，直接让函数加入链也是可以的。

chain = first_prompt | model | (lambda ai_msg: {"name": ai_msg.content}) | second_prompt | model | str_parser

四.Memory

4.1临时会话记忆  InMemoryChatMessageHistory

LangChain提供了History功能，帮助模型在有历史记忆的情况下回答。

• 基于RunnableWithMessageHistory在原有链的基础上创建带有历史记录功能的新链（新Runnable实例）
• 基于InMemoryChatMessageHistory为历史记录提供内存存储（临时用）

4.2长期会话记忆  FileChatMessageHistory

使用InMemoryChatMessageHistory仅可以在内存中临时存储会话记忆，一旦程序退出，则记忆丢失。 InMemoryChatMessageHistory 类继承自 BaseChatMessageHistory

FileChatMessageHistory类实现，核心思路：

• 基于文件存储会话记录，以session_id为文件名，不同session_id有不同文件存储消息
• 继承BaseChatMessageHistory实现如下3个方法：
  • add_messages:同步模式，添加消息
  • messages:同步模式，获取消息
  • clear：同步模式，清除消息

五.Document loaders文档加载器

文档加载器提供了一套标准接口，用于将不同来源（如 CSV、PDF 或 JSON等）的数据读取为 LangChain 的文档格式。这确保了无论数据来源如何，都能对其进行一致性处理。 文档加载器（内置或自行实现）需实现BaseLoader接口。

Class Document，是LangChain内文档的统一载体，所有文档加载器最终返回此类的实例。 一个基础的Document类实例，基于如下代码创建：

from langchain_core.documents import Document

document = Document(  

     page_content="Hello, world!", metadata={"source": "https://example.com"}

)

可以看到，Document类其核心记录了：

• page_content：文档内容
• metadata：文档元数据（字典）

不同的文档加载器可能定义了不同的参数，但是其都实现了统一的接口（方法）。

• load()：一次性加载全部文档
• lazy_load()：延迟流式传输文档，对大型数据集很有用，避免内存溢出。

5.1CSVLoader

from langchain_community.document_loaders.csv_loader import CSVLoader

loader = CSVLoader(file_path="./xxx.csv")

data = loader.load()

print(data)

自定义CSV文件的解析和加载:

loader = CSVLoader(

    file_path=“./xxx.csv”,

    csv_args={

        “delimiter”: ",",   # 指定分隔符

        “quotechar”: '"'     # 指定字符串的引号包裹

        "fieldnames": ["name", "age", "gender"],   # 字段列表（无表头使用，有表头勿用会读取首行做为数据）

  },

)

data = loader.load()

print(data)

5.2JSONLoader

JSONLoader用于将JSON数据加载为Document类型对象。

使用JSONLoader需要额外安装： pip install jq

from langchain_community.document_loaders import JSONLoader

loader = JSONLoader(

    file_path="xxx.json",   # 文件路径

    jq_schema=".",          # jq schema语法

    text_content=False,     # 抽取的是否是字符串，默认True

    json_lines=True,        # 是否是JsonLines文件（每一行都是JSON的文件）

)

5.3PyPDFLoader

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader(

    file_path="",   # 文件路径必填

    mode='page',    # 读取模式，可选page（按页面划分不同Document）和single（单个Document）    

password='password', # 文件密码

)

5.4TextLoader和文档分割器

作用：读取文本文件（如.txt），将全部内容放入一个Document对象中。

from langchain_community.document_loaders import TextLoader

loader = TextLoader(

    "xxx.txt",

    encoding="utf-8",

)

docs = loader.load()

print(docs)

print(len(docs))    # 结果为1

如果文档很大 加载到一个Document对象中是否不太合适?

RecursiveCharacterTextSplitter，递归字符文本分割器，主要用于按自然段落分割大文档。 是LangChain官方推荐的默认字符分割器。

六.Vector stores 向量存储

如图，这是一个典型的向量存储应用，也即是典型的RAG流程。

这部分开发主要涉及到：

• 如何文本转向量（前文已经学习）
• 创建向量存储，基于向量存储完成：
  • 存入向量         add_documents
  • 删除向量         delete
  • 向量检索         similarity_search

内置向量存储的使用:

外部（Chroma）向量存储的使用:

6.2检索向量并构建提示词

向量存储的实例，通过add_texts(list[str])方法可以快速添加到向量存储中。

vector_store.add_texts(["减肥就是要少吃多练","在减脂期吃东西很重要,清单少有控制卡路里","跑步是很好的运动"])

流程：

1. 先通过向量存储检索匹配信息
2. 将用户提问和匹配信息一同封装到提示词模板中提问模型

6.3RunnablePassthrough的使用