{"id":569629,"date":"2025-05-23T05:24:09","date_gmt":"2025-05-23T04:24:09","guid":{"rendered":"https:\/\/blog.jetbrains.com\/?post_type=pycharm&p=569629"},"modified":"2025-05-23T05:24:18","modified_gmt":"2025-05-23T04:24:18","slug":"so-bauen-sie-chatbots-mit-langchain","status":"publish","type":"pycharm","link":"https:\/\/blog.jetbrains.com\/de\/pycharm\/2025\/05\/so-bauen-sie-chatbots-mit-langchain\/","title":{"rendered":"So bauen Sie Chatbots mit LangChain"},"content":{"rendered":"

Dies ist ein Gastbeitrag von Dido Grigorov<\/a>, einem Deep-Learning-Entwickler und Python-Programmierer mit 17 Jahren Erfahrung auf dem Gebiet.<\/em><\/p>\n

\"\"<\/figure>\n

Chatbots sind heute weit mehr als einfache Frage-und-Antwort-Automaten. Sie nutzen die Leistungsf\u00e4higkeit gro\u00dfer Sprachmodelle (large language models, LLM), um den Kontext von Unterhaltungen zu verstehen und menschen\u00e4hnliche Antworten zu geben. Dies macht sie f\u00fcr Anwendungen im Kundensupport und anderen Arten von virtueller Unterst\u00fctzung enorm wertvoll.<\/p>\n

Das quelloffene Framework LangChain vereinfacht die Erstellung dieser Chatbots, indem es Tools f\u00fcr die nahtlose Modellintegration, Kontextverwaltung und Prompt Engineering bereitstellt.<\/p>\n

In diesem Blogartikel erkunden wir, wie LangChain funktioniert und wie Chatbots mit LLMs interagieren. Wir f\u00fchren Sie au\u00dferdem Schritt f\u00fcr Schritt durch die Entwicklung eines kontextsensitiven Chatbots mithilfe von LangChain und GPT-3, der zielgenaue, relevante Antworten gibt.<\/p>\n

<\/p>\n

Was sind <\/strong>LLM-basierte Chatbots?<\/strong><\/h2>\n

Auf LLMs basierende Chatbots sind hochmoderne Softwareanwendungen, die \u00fcber Text- oder Sprachschnittstellen menschen\u00e4hnliche Unterhaltungen mit Benutzer*innen simulieren. Diese Chatbots nutzen die fortgeschrittenen F\u00e4higkeiten von LLMs, also neuronalen Netzen, die mit riesigen Mengen von Textdaten trainiert wurden und dadurch in der Lage sind, auf ein gro\u00dfes Spektrum von Prompts (Anfragen) menschen\u00e4hnliche Antworten zu geben.<\/p>\n

Unter anderem k\u00f6nnen LLM-basierte Chatbots bei der Generierung einer Antwort den Kontext der Unterhaltung ber\u00fccksichtigen. Dies bedeutet, dass sie \u00fcber mehrere Austauschvorg\u00e4nge hinweg koh\u00e4rent bleiben und komplexe Anfragen verarbeiten k\u00f6nnen, um Ausgaben zu erzeugen, die den Intentionen der Benutzer*innen entsprechen. Au\u00dferdem werten diese Chatbots den emotionalen Gehalt der Benutzerinputs aus und passen ihre Antworten an die Gef\u00fchlslage ihres Gegen\u00fcbers an.<\/p>\n

Chatbots sind hochgradig anpassungsf\u00e4hig und personalisiert. Sie lernen daraus, wie Benutzer*innen mit ihnen interagieren und verbessern so ihre Antworten, indem sie diese an individuelle Vorlieben und Bed\u00fcrfnisse anpassen.<\/p>\n

Was ist LangChain?<\/strong><\/h2>\n

LangChain ist ein quelloffenes Framework, das f\u00fcr die Erstellung von Anwendungen entwickelt wurde, die gro\u00dfe Sprachmodelle (LLMs) verwenden. Es verf\u00fcgt \u00fcber Tools und Abstraktionen, um die aus diesen Modellen gewonnenen Informationen besser zu personalisieren und dabei Korrektheit und Relevanz zu wahren.<\/p>\n

Ein g\u00e4ngiger Begriff in der Literatur \u00fcber LLMs ist \u201ePromptkette\u201c. Eine Promptkette bezieht sich auf eine Abfolge von Prompts oder Anweisungen, die im Kontext von k\u00fcnstlicher Intelligenz und maschinellem Lernen verwendet werden, um das KI-Modell in einem mehrstufigen Prozess zum Generieren von genaueren, detaillierteren oder verbesserten Ergebnissen anzuleiten. Diese Methode kann f\u00fcr verschiedene Aufgaben eingesetzt werden, etwa f\u00fcr das Schreiben, das L\u00f6sen von Problemen oder die Generierung von Code.<\/p>\n

Entwickler*innen k\u00f6nnen mit LangChain neue Promptketten erstellen \u2013 das ist eine der gr\u00f6\u00dften St\u00e4rken des Frameworks. Sie k\u00f6nnen sogar bestehende Promptvorlagen ver\u00e4ndern, ohne das Modell bei Verwendung neuer Datensammlungen erneut trainieren zu m\u00fcssen.<\/p>\n

Wie funktioniert LangChain?<\/strong><\/h2>\n

LangChain ist ein Framework, das die Entwicklung von Anwendungen vereinfachen soll, die Sprachmodelle verwenden. Es bietet eine Reihe von Tools, die Entwickler*innen bei der effizienten Entwicklung und Verwaltung von Anwendungen helfen, die auf linguistische Datenverarbeitung (NLP) und gro\u00dfe Sprachmodelle zur\u00fcckgreifen. Mit LangChain k\u00f6nnen Entwickler*innen Sprachmodelle flexibel an spezifische Gesch\u00e4ftskontexte anpassen, indem sie die Schritte definieren, die zum Erreichen des gew\u00fcnschten Ergebnisses erforderlich sind (dies kann ein Chatbot, eine Aufgabenautomatisierung, ein virtueller Assistent, Kundensupport und vieles mehr sein).<\/p>\n

Im Folgenden finden Sie einen groben \u00dcberblick \u00fcber die Funktionsweise von LangChain.<\/p>\n

Modellintegration<\/strong><\/h3>\n

LangChain unterst\u00fctzt verschiedene Sprachmodelle, unter anderem von OpenAI, Hugging Face, Cohere, Anyscale, Azure Models, Databricks, Ollama, Llama, GPT4All, Spacy, Pinecone, AWS Bedrock und MistralAI<\/em>. Entwickler*innen k\u00f6nnen unkompliziert zwischen Modellen wechseln oder mehrere Modelle in einer Anwendung verwenden. Sie k\u00f6nnen ma\u00dfgeschneiderte L\u00f6sungen f\u00fcr die Modellintegration erstellen, um spezielle F\u00e4higkeiten zu nutzen, die auf ihre konkreten Anwendungen zugeschnitten sind.<\/p>\n

Ketten<\/strong><\/h3>\n

Das Kernkonzept von LangChain sind Ketten<\/strong>, die unterschiedliche KI-Komponenten zur Erzeugung von kontextsensitiven Antworten zusammenbringen. Eine Kette repr\u00e4sentiert eine Reihe von automatisierten Aktionen zwischen einer Benutzereingabe und der endg\u00fcltigen Modellausgabe. LangChain stellt zwei Arten von Ketten bereit:<\/p>\n