宝鸡市网站建设_网站建设公司_交互流畅度_seo优化

本文介绍当前最流行的langchain在新手使用过程中的一些典型问题，因langchain在0.1.0版本后有几次较大规模的重构，产生较多模块版本不兼容、经常会遇到在引入模块时发生错误，本文针对这类问题做了langchain结构的分析，帮大家避坑！

langchain在 0.1.0 版本后对模块结构进行了重大调整，我在开发代码过程经常会遇到引入模块错误情况，基于当前langchain最新版本，整理一份RAG常用的模块结构分析说明，帮大家避坑。

LangChain 最新版本信息

截至2026 年 1 月 ，LangChain 各核心包的最新稳定版本如下（区分主包和拆分后的子包）：

验证版本的方法

可以通过以下命令快速查看本地已安装的版本，或查询官方最新版本：

bash 运行

# 查看本地安装版本 pip show langchain | grep Version pip show langchain-core | grep Version # 查看PyPI上的最新版本（需安装pip-search） # --pre 可查看预发布版本 pip install pip-search pip search langchain --pre

基于 LangChain 最新稳定版本（0.2.x），整理了一份 RAG（检索增强生成）场景下常用模块的结构分析，重点分析 0.1.0 版本前后的不兼容问题和最新正确用法，帮大家解决开发中频繁遇到的导入错误问题，减少大家的疑惑，我就在这块折腾了很久！

LangChain 0.0.x 版本核心模块结构（0.1.0 重构前）

LangChain 0.0.x 版本（截至 0.0.350 左右）的核心特点是单包集成、无核心子包拆分，所有功能都集中在langchain主包下，模块划分相对简单，没有langchain-core/langchain-community等独立包，以下是 RAG 开发中最核心的模块结构：

整体模块树（核心部分）

langchain/ ├── __init__.py ├── chat_models/ # 所有大语言模型（ChatOpenAI/ChatAnthropic等） ├── embeddings/ # 所有嵌入模型（OpenAIEmbeddings/HuggingFaceEmbeddings等） ├── document_loaders/ # 所有文档加载器（TextLoader/PyPDFLoader等） ├── text_splitter/ # 所有文本分割器（RecursiveCharacterTextSplitter等） ├── vectorstores/ # 所有向量存储（FAISS/Chroma/Pinecone等） ├── chains/ # 所有链（核心） │ ├── __init__.py │ ├── retrieval_qa.py # RetrievalQA 核心实现 │ ├── combine_documents/ │ │ ├── __init__.py │ │ ├── stuff.py # create_stuff_documents_chain │ │ ├── map_reduce.py # create_map_reduce_documents_chain │ │ └── refine.py # create_refine_documents_chain ├── prompts/ # 所有提示词模板 ├── schema/ # 基础数据结构（Document/BaseMessage等） ├── core/ # 早期核心接口（少量，未独立） └── utils/ # 工具函数

以上，各核心模块详细说明（0.0.x 版本）

LangChain 0.1.0+ RAG 核心模块结构与兼容问题分析

LangChain 从 0.0.x 到 0.1.0 再到 0.2.x 的核心重构思路是：拆分核心模块（langchain-core）、解耦第三方集成（langchain-xxx）、统一Runnable架构。

以下是 RAG 开发中最常用的 8 大核心模块的对比分析，包含：旧路径、新路径、不兼容点、最新示例等方面进行对比：

以下整理了 各核心模块最新用法（基于0.2.x 版本），供大家参考。

1. 环境准备（必装依赖）

首先安装最新版核心包和集成包，避免依赖缺失导致的导入错误：

bash 运行

# 核心包（必须） pip install -U langchain-core langchain-text-splitters # 社区集成包（文档加载/向量存储） pip install -U langchain-community # 厂商集成包（按需安装） pip install -U langchain-openai # OpenAI 模型/嵌入 pip install -U langchain-huggingface # HuggingFace 模型/嵌入 pip install -U faiss-cpu # FAISS 向量库 pip install -U chromadb # Chroma 向量库

2. 完整 RAG 流程示例（ 重点关注0.2.x 最新写法）

以下是覆盖「文档加载→分割→嵌入→存储→检索→生成」的完整 RAG 代码，无任何弃用警告：

python 运行

import os from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_openai.embeddings import OpenAIEmbeddings from langchain_community.vectorstores import FAISS from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_core.runnables import RunnablePassthrough from langchain_core.output_parsers import StrOutputParser # 1. 配置环境变量 os.environ["OPENAI_API_KEY"] = "你的OpenAI API密钥"# 2. 文档加载（迁移到 langchain_community） loader = TextLoader("your_document.txt") # 替换为你的文档路径 documents = loader.load()# 3. 文档分割（独立为 langchain_text_splitters） text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 每个片段500字符 chunk_overlap=50, # 片段重叠50字符 separators=["\n\n", "\n", "。", "，", " "] # 中文分割符 ) splits = text_splitter.split_documents(documents) # 4. 嵌入与向量存储（嵌入模型迁移到 langchain-openai，向量库迁移到 langchain_community） embeddings = OpenAIEmbeddings(model="text-embedding-3-small") vectorstore = FAISS.from_documents(documents=splits, embedding=embeddings) retriever = vectorstore.as_retriever(search_kwargs={"k": 3}) # 检索Top3文档# 5. 构建提示词（迁移到 langchain_core） prompt = ChatPromptTemplate.from_messages([("system", "你是一个问答助手，仅根据提供的上下文回答问题，不要编造信息。\n上下文：{context}"),("human", "{question}")])# 6. 初始化LLM（迁移到 langchain-openai） llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 7. 构建RAG链（替代旧的 RetrievalQA/create_stuff_documents_chain）def format_docs(docs):"""拼接检索到的文档（对应原 stuff 模式）"""return "\n\n".join(doc.page_content for doc in docs) rag_chain = ({"context": retriever | format_docs, "question": RunnablePassthrough()}| prompt | llm | StrOutputParser())# 8. 运行RAG if __name__ == "__main__": response = rag_chain.invoke("你的问题？") print("回答：", response)

3. 几个关键的不兼容问题，特别说明

（1）文档加载器 / 向量存储的迁移

• **不兼容点：**0.0.x 中langchain.document_loaders包含所有加载器，0.1.x 后非核心加载器全部迁移到langchain_community，未安装该包会报ImportError。

• 解决：安装langchain-community,并从langchain_community.docu

  ment_loaders/langchain_community.vectorstores导入。

（2）文本分割器的独立

• 不兼容点：0.2.x 后langchain.text_splitter仅为兼容导入，核心代码迁移到langchain_text_splitters包，直接导入旧路径会有弃用警告。

• 解决：安装langchain-text-splitters，从langchain_text

  _splitters导入。

（3）RAG 链的重构（最易出错）

• 不兼容点：

• 0.0.x:RetrievalQA.from_chain_type(llm, chain_type="stuff", retriever=retriever)
• 0.1.x:create_stuff_documents_chain + create_retrieval_chain（临时过渡）
• **0.2.x:**彻底移除上述函数，需用Runnable手动组合「检索→格式化→提示词→LLM→解析」

• 解决：用上述示例中的rag_chain写法，核心逻辑是retriever | format_docs替代原 stuff 链。

（4）模型 / 嵌入的拆分

• 不兼容点：0.0.x 中langchain.embeddings.OpenAIEmbeddings/la

  ngchain.chat_models.ChatOpenAI迁移到langchain_openai包，未安装会报导入错误。

• 解决：安装对应厂商包（如langchain-openai/langchain-huggingface），从对应包导入。

最后的总结

1. 核心架构的变化：

   LangChain 0.1.x+ 拆分出langchain-core（核心接口）、langchain-community（社区集成）、langchain-xxx（厂商集成）三大模块，需按需安装。

2. 关键的不兼容点：

   文档加载 / 向量存储迁移到langchain_community，文本分割器独立为langchain-text-splitters，旧的RetrievalQA/create_stuf

   f_documents_chain被Runnable架构替代。

3. 避坑建议：

• 优先使用langchain_core/langchain_community/langchain-openai等新路径导入；
• 避免使用RetrievalQA/create_stuff_documents_chain等弃用函数，改用 Runnable 组合链；
• 安装依赖时明确指定子包，而非仅安装langchain主包。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！