AI Agent从无到有19：LangChain 核心模块与首个链式应用实战

关注

原创 2026-08-14 10:22:03 358 阅读 AI 写同款· GEO 优化 ›

AI编排实战：MuleSoft与LangChain企业级分层集成指南 AI编排（AI Orchestration）是实现大模型在企业系统中稳定落地的核心工程范式，其本质在于解耦数据集成与智能推理——前者需满足协议适配、权限管控、可观测性等企业级硬约束，后者聚焦LLM调用、多步推理与结果结构化。MuleSoft凭借217+开箱即用的企业连接器、OAuth2.0代理认证、字段级脱敏与Flow Trace能力，成为数据准备层不可替代的中枢；LangChain则依托Pydantic校验、RAG增强与Output Parser约束，在AI推理层保障输出可解释、可审计、低幻觉。该架构已广阅读详情

纲要

环境准备与基础依赖
- Python 版本要求与虚拟环境配置
- 核心依赖包：langchain、langchain-openai、langchain-core、python-dotenv
- 环境变量配置：OPENAI_API_KEY 与 OPENAI_BASE_URL
LangChain 三大基础模块
- 大模型组件（ChatOpenAI）：应用的大脑
- 提示词模板（ChatPromptTemplate）：指令参数化与动态构建
- 输出解析器（CommaSeparatedListOutputParser）：从文本到结构化数据
构建首个链式应用：起名大师
- 任务定义：基于国家与性别生成文化适配的名字列表
- 代码演进：
  1. 直接调用模型
  2. 引入提示词模板进行参数化
  3. 集成输出解析器以获取结构化结果
- 完整可运行示例
开发环境选项
- 在线 IDE 的优势与局限
- 本地开发环境的推荐实践

环境准备与基础依赖

在开始构建 LangChain 应用之前，需要确保 Python 环境就绪。推荐使用 Python 3.12 或更高版本，并创建一个独立的虚拟环境以隔离项目依赖。

安装核心依赖

使用 pip 安装以下必需的包：

pip install langchain langchain-openai langchain-core python-dotenv

langchain：核心框架库。
langchain-openai：OpenAI 模型的 LangChain 集成。
langchain-core：包含基础抽象类和核心组件。
python-dotenv：用于从 .env 文件加载环境变量。

配置 API 密钥

在项目根目录下创建 .env 文件，并添加以下内容：

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx
OPENAI_BASE_URL=https://api.openai.com/v1

OPENAI_API_KEY 是必填项。OPENAI_BASE_URL 为可选配置，在需要代理或使用兼容 OpenAI 接口的第三方服务（如 DeepSeek、通义千问等）时可进行设置。

LangChain 三大基础模块

LangChain 应用的核心架构由三个基础模块串联而成：大模型组件、提示词模板和输出解析器。理解这三者的职责是掌握 LangChain 开发范式的关键。

模块	作用	常用类
大模型组件	接收提示词并生成文本回复	`ChatOpenAI`
提示词模板	将指令参数化，动态构造提示词	`ChatPromptTemplate`
输出解析器	将模型的自然语言输出转换为结构化数据（如列表、JSON）	`CommaSeparatedListOutputParser`, `JsonOutputParser`

这三个模块通过 LangChain 表达式语言（LCEL）的管道符 | 进行串联。数据在链（Chain）中从左至右依次流经各模块，形成清晰的处理流程。

构建首个链式应用：起名大师

本部分将通过一个“起名大师”应用的开发过程，演示上述三个模块如何协同工作。该应用根据指定的国家文化和性别，生成一组符合背景的名字，并以 Python 列表形式输出。

第 1 步：直接调用模型

最基础的方式是直接实例化模型对象，并向其发送硬编码的提示词。

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.7,
    openai_api_key=os.getenv("OPENAI_API_KEY"),
    openai_api_base=os.getenv("OPENAI_BASE_URL"),
)

response = llm.invoke("帮我起一个具有中国特色的男孩名字")
print(response.content)

这种方法虽然直观，但存在明显缺陷：提示词与业务逻辑耦合，无法动态适配不同场景，且返回的非结构化文本不便于程序消费。

第 2 步：引入提示词模板

使用 ChatPromptTemplate 将提示中的可变部分抽取为参数，实现提示词的动态构建。

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的起名大师。"),
    ("human", "请帮我起一个具有{country}特色的{boy_or_girl}名字，只返回名字本身，不要多余解释。")
])

formatted_prompt = prompt.invoke({"country": "美国", "boy_or_girl": "男孩"})
print(formatted_prompt.to_messages())

通过这种方式，可以通过改变传入参数字典轻松适配不同场景。注意提示中已添加了对输出格式的约束（“只返回名字本身”），这有助于简化后续解析工作。

第 3 步：集成输出解析器

为了生成多个名字并获得结构化输出，可以使用 CommaSeparatedListOutputParser。该解析器会引导模型以逗号分隔的格式返回结果，并将其自动转换为 Python 列表。

from langchain_core.output_parsers import CommaSeparatedListOutputParser

parser = CommaSeparatedListOutputParser()
print(parser.get_format_instructions())

get_format_instructions() 方法会生成一段格式说明，告知模型应以何种格式返回数据。我们需要在提示词中引用这段说明。

将三者通过 LCEL 串联成链：

chain = prompt | llm | parser
result = chain.invoke({
    "country": "中国",
    "boy_or_girl": "男孩",
    "format_instructions": parser.get_format_instructions()
})
print(result)  # 输出：['狗蛋', '铁柱', '建国', '志强']
print(type(result))  # <class 'list'>

至此，我们完成了一个完整的链式应用。它接收参数，通过动态提示词调用模型，并最终输出结构化数据。

完整可运行代码

将以下代码保存为 name_master.py，并在确保 .env 文件配置正确后运行。

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import CommaSeparatedListOutputParser

load_dotenv()

llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.7,
    openai_api_key=os.getenv("OPENAI_API_KEY"),
    openai_api_base=os.getenv("OPENAI_BASE_URL"),
)

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的起名大师。"),
    ("human", "请帮我起4个具有{country}特色的{boy_or_girl}名字，"
              "仅返回用逗号分隔的名字，不要序号，不要解释。\n{format_instructions}")
])

parser = CommaSeparatedListOutputParser()
chain = prompt | llm | parser

if __name__ == "__main__":
    params = {
        "country": "美国",
        "boy_or_girl": "男孩",
        "format_instructions": parser.get_format_instructions(),
    }
    names = chain.invoke(params)
    print("生成的名字列表：", names)
    for i, name in enumerate(names, 1):
        print(f"{i}. {name.strip()}")

运行结果示例：

生成的名字列表： ['James', 'William', 'Liam', 'Benjamin']
1. James
2. William
3. Liam
4. Benjamin

若遇到网络连接问题，可考虑更换为国内可访问的模型端点，或调整 temperature 参数。temperature 值越低（如 0.0），生成结果越确定；值越高（如 0.9），创造性越强。

开发环境选项

对于初学者，在线 AI 开发平台（如 Google Colab 等）提供了“零配置”的便利性，预装了主流库并支持浏览器内运行。这适合快速验证原型或进行小型实验。

然而，在线环境通常存在资源限制，且可能不支持异步流式输出、多线程等高级特性。推荐的学习路径是先通过在线环境熟悉核心 API，再迁移至本地开发环境，以便充分利用调试工具和系统资源，为构建更复杂的 Agent 或 RAG 应用打下基础。

API 速览

`langchain_openai.ChatOpenAI`

OpenAI 大语言模型的 LangChain 集成类。

所属库: langchain-openai
方法签名: ChatOpenAI(model: str, temperature: float, openai_api_key: str, openai_api_base: Optional[str] = None)
关键参数:
- model (str): 模型名称，如 gpt-3.5-turbo, gpt-4。
- temperature (float): 控制生成随机性，取值范围 0.0 到 1.0。
- openai_api_key (str): OpenAI API 密钥。
- openai_api_base (str, optional): API 基础 URL，用于自定义端点或代理。
常用方法: invoke(input: str) -> BaseMessage，用于发送提示并获取响应。

`langchain_core.prompts.ChatPromptTemplate`

用于创建多轮对话提示词模板的类。

所属库: langchain-core
创建方法: from_messages(messages: List[Tuple[str, str]]) -> ChatPromptTemplate
参数: 消息列表，每个元素为 (角色, 内容) 元组。内容中可使用 {变量名} 作为占位符。
常用方法: invoke(kwargs: dict) -> PromptValue，传入参数字典，返回格式化后的提示词对象。