LangChain入门教程：构建LLM应用的最佳框架

LangChain是一个强大的框架，帮助你快速构建基于大语言模型（LLM）的应用。本教程将带你从零开始掌握LangChain的核心概念。

什么是LangChain？

LangChain提供了构建LLM应用所需的核心组件：

• 模型接口：统一对接各种LLM
• 提示模板：管理和优化提示词
• 链：组合多个操作形成工作流
• 记忆：保持对话上下文
• Agent：让LLM自主决策和执行

安装

pip install langchain langchain-openai

第一步：基本调用

from langchain_openai import ChatOpenAI

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 调用模型
response = llm.invoke("什么是机器学习？")
print(response.content)

第二步：使用提示模板

from langchain_core.prompts import ChatPromptTemplate

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，用简洁的语言回答问题"),
    ("user", "{input}")
])

# 创建链
chain = prompt | llm

# 调用链
response = chain.invoke({
    "role": "资深工程师",
    "input": "什么是微服务？"
})
print(response.content)

第三步：添加输出解析

from langchain_core.output_parsers import StrOutputParser

# 添加输出解析器
parser = StrOutputParser()

# 完整的链
chain = prompt | llm | parser

# 调用
result = chain.invoke({
    "role": "技术专家",
    "input": "解释RESTful API"
})
print(result)

第四步：添加记忆

from langchain_core.messages import HumanMessage, AIMessage
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 创建消息历史
history = ChatMessageHistory()

# 添加历史消息
history.add_user_message("你好，我是小明")
history.add_ai_message("你好小明！有什么我可以帮助你的吗？")

# 带记忆的链
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history=lambda session_id: history,
    input_messages_key="input",
    history_messages_key="chat_history"
)

第五步：使用Agent

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.tools import tool

# 定义工具
@tool
def get_weather(city: str) -> str:
    """获取城市天气信息"""
    # 这里是模拟数据
    weather_data = {
        "北京": "晴天，温度25°C",
        "上海": "多云，温度28°C"
    }
    return weather_data.get(city, "未找到该城市天气信息")

# 创建Agent
tools = [get_weather]
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 执行
result = agent_executor.invoke({
    "input": "北京今天天气怎么样？"
})
print(result)

核心概念详解

Chain（链）

链是LangChain的核心概念，用于组合多个组件：

# 简单链
chain = prompt | llm | parser

# 分支链
from langchain_core.runnables import RunnableBranch

branch = RunnableBranch(
    (lambda x: x["type"] == "code", code_chain),
    (lambda x: x["type"] == "text", text_chain),
    default_chain
)

RAG（检索增强生成）

from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(
    ["文档内容1", "文档内容2"],
    embeddings
)

# 创建RAG链
qa_chain = RetrievalQA.from_chain_type(
    llm,
    retriever=vectorstore.as_retriever()
)

# 查询
result = qa_chain.invoke({"query": "问题内容"})

最佳实践

1. 使用环境变量管理API Key

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

2. 错误处理

from langchain_core.runnables import RunnableConfig

try:
    result = chain.invoke(
        {"input": "问题"},
        config=RunnableConfig(max_concurrency=5)
    )
except Exception as e:
    print(f"Error: {e}")

3. 流式输出

for chunk in chain.stream({"input": "问题"}):
    print(chunk, end="", flush=True)

常见问题

Q: LangChain支持哪些模型？

支持OpenAI、Anthropic、Google、本地模型等几乎所有主流LLM。

Q: 如何调试链？

使用langchain.debug设置或LangSmith平台进行可视化调试。

Q: 生产环境如何部署？

推荐使用LangServe将链部署为API服务。

相关文章

• LangChain Agent进阶教程
• RAG最佳实践