langchain快速入门：基本组件介绍和快速搭建服务

langchain快速入门：基本组件介绍和快速搭建服务

1. 模型组件

load_dotenv()
llm = ChatOpenAI(
            api_key=os.getenv("DASHSCOPE_API_KEY"),
            base_url=os.getenv("BASE_URL"),
            model=os.getenv("LLM_MODEL"),
            temperature=0.1,
        )

text ="你是谁？"
messages = [HumanMessage(content = text)]
if __name__ =="__main__":
    # LLM模型组件:输入为字符串
    # print(llm.invoke(text))
    # CHAT MODEL模型组件
    print(llm.invoke(messages))

LangChain 将大语言模型抽象为两种调用方式：

• LLM 接口：接受纯字符串输入，适合简单文本生成场景。底层调用的是模型的 completion 端点。
• Chat Model 接口：接受结构化消息列表（SystemMessage / HumanMessage / AIMessage），更适合对话场景。底层调用的是模型的 chat.completion 端点。

💡 选型建议：现代模型（GPT-4、通义千问、Claude 等）普遍基于 Chat API 设计，建议优先使用 ChatOpenAI 而非 legacy 的 LLM 类。

---

2. 提示词模板组件

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from langchain_core.prompts import PromptTemplate
from langchain_core.prompts import ChatPromptTemplate
load_dotenv()
llm = ChatOpenAI(
            api_key=os.getenv("DASHSCOPE_API_KEY"),
            base_url=os.getenv("BASE_URL"),
            model=os.getenv("LLM_MODEL"),
            temperature=0.1,
        )
#自动将用户的输入转换为完整的格式化提示词
prompt =  PromptTemplate.from_template("猫得了{disease}怎么办？")
prompt_1=prompt.format(disease = "拉肚子")
#细化每条消息的具体消息，比如角色和列表中的位置
template ="你是一个宠物医疗AI助手"
human_template = "我的宠物{pet_type}名为{name},出现{symptoms}"
chat_prompt = ChatPromptTemplate.from_messages([
    ("system",template),
    ("human",human_template),
])
prompt_2 = chat_prompt.format_messages(pet_type = "猫",name="臭臭", symptoms = "牙结石")
if __name__ =="__main__":
    print("*"*50)
    print(llm.invoke(prompt_1))
    print("*" * 50)
    print(llm.invoke(prompt_2))

LangChain 提供了两种提示词模板，分别对应不同的交互模式：

模板类型	适用场景	特点
PromptTemplate	单轮指令/文本生成	字符串模板，通过 .format() 注入变量，输出为字符串
ChatPromptTemplate	多轮对话/角色扮演	消息列表模板，支持 system/human/ai 角色定义，输出为消息对象列表

关键区别：

• PromptTemplate 解决的是**“如何优雅地拼接字符串”**——避免在代码里硬编码大量提示词文本。
• ChatPromptTemplate 解决的是**“如何结构化地管理对话上下文”**——通过角色标签让模型明确区分系统指令和用户输入，显著提升指令遵循的稳定性。

---

3. 输出解析器组件 / 使用 LCEL 进行组合

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import BaseOutputParser
from typing import List
load_dotenv()
llm = ChatOpenAI(
            api_key=os.getenv("DASHSCOPE_API_KEY"),
            base_url=os.getenv("BASE_URL"),
            model=os.getenv("LLM_MODEL"),
            temperature=0.1,
        )
class CommaSeperatedListOutputParser(BaseOutputParser[List[str]]):
    def parse(self, text:str)-> List[str]:
        return text.strip().split(",")

template ="""
你是一个智能ai医疗助手，用户会传入一个宠物的症状，你应该生成该症状下的3种药品(中文名)，并以英文逗号分分隔的形式返回.
只返回以逗号分隔的内容，不要返回其他内容。
"""
human_template = "{text}"

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", template),
    ("human",human_template)
])

if __name__ =="__main__":
    chain = chat_prompt | llm | CommaSeperatedListOutputParser()
    print("*"*50)
    print(chain.invoke({"text":"猫咪软便"}))
    print("*" * 50)

LCEL（LangChain Expression Language）是 LangChain 的管道编排语法，用 | 运算符将组件串联成可执行的数据流。

本例的数据流转过程：

用户输入 {"text": "猫咪软便"}
    ↓
chat_prompt 渲染为结构化消息 → [SystemMessage, HumanMessage]
    ↓
llm 调用模型生成文本 → "蒙脱石散,益生菌,克痢肽"
    ↓
CommaSeperatedListOutputParser 解析 → ["蒙脱石散", "益生菌", "克痢肽"]

为什么要自定义输出解析器？

模型本质上输出的是非结构化文本。输出解析器的作用是将文本转换为结构化数据（如列表、字典、Pydantic 对象），方便下游程序直接消费。这是构建可靠 AI 应用的关键环节——"提示词要求模型按格式输出"只是软性约束，解析器则提供了硬性的数据校验和转换。

---

4. 使用 LangSmith 观测

LangSmith 是 LangChain 官方提供的 LLM 应用可观测性平台，核心价值在于解决大模型应用的"黑盒"问题：

• Trace 追踪：可视化展示 Chain 中每一步的输入输出、Token 消耗、延迟耗时
• 调试排错：当输出不符合预期时，可逐层检查是提示词渲染错误、模型理解偏差还是解析器逻辑问题
• 数据沉淀：自动收集生产环境的调用记录，为后续迭代提供高质量的标注数据

配置方式：在环境变量中设置 LANGCHAIN_API_KEY 和 LANGCHAIN_PROJECT，无需修改代码即可自动接入。

---

5. 使用 LangServe 提供服务

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import BaseOutputParser
from typing import List
from langserve import add_routes
from fastapi import FastAPI
load_dotenv()
llm = ChatOpenAI(
            api_key=os.getenv("DASHSCOPE_API_KEY"),
            base_url=os.getenv("BASE_URL"),
            model=os.getenv("LLM_MODEL"),
            temperature=0.1,
        )
class CommaSeperatedListOutputParser(BaseOutputParser[List[str]]):
    def parse(self, text:str)-> List[str]:
        return text.strip().split(",")

template ="""
你是一个智能ai医疗助手，用户会传入一个宠物的症状，你应该生成该症状下的3种药品(中文名)，并以英文逗号分分隔的形式返回.
只返回以逗号分隔的内容，不要返回其他内容。
"""
human_template = "{text}"

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", template),
    ("human",human_template)
])

app = FastAPI(
    title = "宠物医疗助手v1",
    version = "0.0.1",
    description = "Langchain应用接口"
)
first_chain = chat_prompt | llm | CommaSeperatedListOutputParser()
add_routes(app,first_chain,path = "/first_app")
if __name__ =="__main__":
    import uvicorn
    uvicorn.run(app,host="localhost",port=8000)

LangServe 是 LangChain 的部署工具，核心能力是将 LCEL Chain 一键转换为 FastAPI 服务。

它自动完成以下工作：

能力	说明
路由注册	将 Chain.invoke 映射为 HTTP POST 接口
输入校验	基于 Chain 的输入 Schema 自动生成 Pydantic 校验
文档生成	自动生成 OpenAPI 文档和交互式 Playground
流式支持	原生支持 stream / astream 等异步流式接口

访问路径：

• API 端点：POST http://localhost:8000/first_app/invoke
• 调试界面：http://localhost:8000/first_app/playground/

⚠️ 注意：add_routes 会自动暴露 invoke、batch、stream 等多个端点，生产环境建议通过 enable_feedback_endpoint 等配置进行访问控制。

---

好了，以下就是今天介绍的所有内容，本文仅仅简单介绍了基本组件介绍和快速搭建服务