Golang中LangChain入门指南：企业应用实战案例

引言

LangChain是一个强大的框架，用于构建基于语言模型的应用。在企业环境中，它可以帮助我们快速开发智能问答系统、文档处理工具等AI应用。本文将带你从零开始，在Golang中使用LangChain构建一个企业级文档问答系统。

准备工作

环境要求

Go 1.18+
OpenAI API密钥（或其他LLM提供商）
基础Go语言知识

安装依赖

代码片段

go get github.com/tmc/langchaingo

LangChain核心概念

在开始编码前，先了解几个关键概念：

LLM (Large Language Model): 大语言模型，如GPT-3/4
Chain: 将多个组件连接起来的工作流
Memory: 保存对话历史的能力
Vector Store: 用于存储和检索文档的向量数据库

实战案例：企业文档问答系统

我们将构建一个能回答企业内部文档问题的系统。

1. 初始化LLM

首先设置语言模型：

代码片段

package main

import (
    "context"
    "fmt"
    "github.com/tmc/langchaingo/llms/openai"
)

func main() {
    // 使用你的OpenAI API密钥
    llm, err := openai.New(openai.WithToken("your-api-key"))
    if err != nil {
        panic(err)
    }

    // 测试LLM连接
    ctx := context.Background()
    prompt := "Hello, LangChain!"
    completion, err := llm.Call(ctx, prompt)
    if err != nil {
        panic(err)
    }

    fmt.Println(completion)
}

注意事项：
– API密钥不要硬编码在代码中，建议使用环境变量
– OpenAI API有调用频率限制，生产环境需要处理限流

2. 加载和处理企业文档

我们需要将企业文档转换为LangChain可以处理的格式：

代码片段

import (
    "github.com/tmc/langchaingo/documentloaders"
    "github.com/tmc/langchaingo/textsplitter"
)

func loadDocuments(filePath string) ([]schema.Document, error) {
    // 假设是PDF文件，也可以是txt、docx等
    p := filepath.Join("data", filePath)
    f, err := os.Open(p)
    if err != nil {
        return nil, err
    }
    defer f.Close()

    loader := documentloaders.NewPDF(f)

    // 设置文本分割器（处理长文档）
    splitter := textsplitter.NewRecursiveCharacter(
        textsplitter.WithChunkSize(1000),
        textsplitter.WithChunkOverlap(200),
    )

    return loader.LoadAndSplit(context.Background(), splitter)
}

原理说明：
– RecursiveCharacter分割器会将大文档分成小块
– ChunkOverlap确保上下文不会在分割点完全丢失

3. 创建向量存储并索引文档

代码片段

import (
    "github.com/tmc/langchaingo/embeddings"
    "github.com/tmc/langchaingo/vectorstores/chroma"
)

func createVectorStore(docs []schema.Document) (vectorstores.VectorStore, error) {
    // 初始化嵌入模型（同样使用OpenAI）
    e, err := embeddings.NewEmbedder(llm)
    if err != nil {
        return nil, err
    }

    // Chroma是一个轻量级向量数据库
    store, err := chroma.New(
        chroma.WithEmbedder(e),
        chroma.WithCollectionName("company_docs"),
        chroma.WithChromaURL("http://localhost:8000"), // Chroma服务地址
    )

    // 添加文档到向量存储
    _, err = store.AddDocuments(context.Background(), docs)
    if err != nil {
        return nil, err
    }

    return store, nil
}

企业实践建议：
– 生产环境建议使用持久化向量数据库如Pinecone或Weaviate
– Chroma适合开发和测试环境

4. 构建问答链

代码片段

import (
    "github.com/tmc/langchaingo/chains"
    "github.com/tmc/langchaingo/prompts"
)

func createQAChain(llm *openai.LLM, store vectorstores.VectorStore) chains.Chain {
    // 创建检索器（从向量存储获取相关文档）
    retriever := vectorstores.ToRetriever(store, 5) // 返回5个最相关片段

    // 定义提示模板（指导AI如何回答问题）
    promptTemplate := prompts.NewPromptTemplate(
        `使用以下上下文片段来回答问题。如果你不知道答案，就说你不知道。

        上下文: {{.context}}

        问题: {{.question}}

        答案: `,
        []string{"context", "question"},
    )

    // 创建问答链：检索+生成答案的工作流
    return chains.NewRetrievalQA(
        chains.WithLLM(llm),
        chains.WithRetriever(retriever),
        chains.WithPrompt(promptTemplate),
    )
}

5. 完整的企业问答系统实现

将所有部分组合起来：

代码片段

func main() {
    // 1.初始化LLM 
    llm, _ := openai.New(openai.WithToken(os.Getenv("OPENAI_API_KEY")))

    //2.加载企业文档 
    docs, _ := loadDocuments("company_handbook.pdf")

    //3.创建向量索引 
    store, _ := createVectorStore(docs)

    //4.构建问答链 
    qaChain := createQAChain(llm, store)

    //5.运行问答系统 
    ctx := context.Background()

    for {
        fmt.Print("\n请输入你的问题(q退出): ")
        question := getUserInput()

        if question == "q" {
            break  
        }

        answer, _ := chains.Run(ctx, qaChain, question)
        fmt.Println("\n答案:", answer)
   }
}

func getUserInput() string {  
   reader := bufio.NewReader(os.Stdin)  
   input, _ := reader.ReadString('\n')  
   return strings.TrimSpace(input)  
}

性能优化与扩展建议

缓存机制：缓存常见问题的答案减少API调用和延迟
混合搜索：结合关键词搜索和向量搜索提高准确性
微调模型：针对企业术语微调基础模型
权限控制：集成企业SSO确保数据安全

FAQ常见问题解决

Q: API调用超时怎么办？
A:

代码片段

//增加超时设置  
llm.SetTimeout(30 * time.Second)

Q: Chroma服务无法连接？
A:

代码片段

#启动本地Chroma服务  
docker run -p8000:8000 chromadb/chroma

Q:如何处理大文件内存不足？
A:使用流式处理：

代码片段

loader.SetStreaming(true)

总结

本文通过一个企业文档问答系统的案例，展示了如何在Golang中使用LangChain:
1.LangChain核心组件(LMM/VectorStore/Chains)的集成方法
2.Golang特有的实现细节和最佳实践
3.生产环境需要考虑的性能和安全因素

完整的示例代码可在GitHub获取：[示例仓库链接]

下一步可以尝试添加对话历史(Memory)或多文件支持来扩展系统功能。