LangChain 入门与项目实战：打造你的第一个 LLM 应用

最新推荐文章于 2025-10-16 11:46:42 发布

原创最新推荐文章于 2025-10-16 11:46:42 发布 · 623 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #transformer #人工智能 #机器学习

AI 专栏收录该内容

165 篇文章

订阅专栏

本文是一篇万字深度指南，带你从 0 到 1 理解 LangChain 的架构精髓、核心模块与项目实战技巧，帮助你快速掌握大模型应用开发，打造属于自己的智能助手或自动化系统。

一、LangChain 是什么？为什么要学它？

2023 年以来，大模型从 ChatGPT 掀起的狂潮演化为全行业的智能化升级浪潮。越来越多企业希望构建自己的智能体，但很多开发者面临几个核心挑战：

如何高效调用大模型 API？
如何管理对话上下文？
如何引入外部工具、知识库、数据库？
如何封装出复杂、可组合、可追踪的流程？

LangChain 就是为了解决这些问题而生的框架。

LangChain 提供一套模块化、可组合的链式调用体系，使你能够以构建函数的方式快速搭建 LLM 应用，并支持 Memory（上下文记忆）、Agent（工具调度）、Retrieval（知识检索）等高级机制。

简而言之：LangChain 是连接大模型与现实任务的“中间件大脑”。

二、LangChain 架构概览

LangChain 核心理念是“链式思维”（Chain of Thought），在代码中体现在：每个模块是一个功能节点，多个节点串联成“链”，链之间又可以嵌套组合。

LangChain 架构图

LangChain 架构主要包括六大核心组件：

LLMs/ChatModels：底层大语言模型调用，如 OpenAI、Anthropic、DeepSeek 等。
Prompts：提示词模板，支持变量插入和多轮对话。
Chains：可组合的模块链条，支持序列、条件、映射等形式。
Memory：用于存储对话历史，实现多轮交互。
Agents：具备工具调用能力的智能体。
Tools & Retrievers：包括搜索引擎、数据库、Python 解释器、插件接口等。

三、从 Hello LangChain 开始

安装：

pip install langchain openai

最简单的调用 OpenAI：

from langchain.llms import OpenAI

llm = OpenAI(openai_api_key="your-key")
response = llm("什么是 LangChain？")
print(response)

添加 Prompt 模板：

from langchain.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=["name"],
    template="{name} 是什么？请用通俗的语言回答。"
)
llm_chain = LLMChain(llm=llm, prompt=prompt)
print(llm_chain.run("LangChain"))

这就是最基础的“链”：Prompt + LLM。

四、LangChain 中的链（Chain）机制解析

LangChain 的 Chain 是一套“函数式组合”的抽象机制，不同模块可以嵌套、并行或条件选择执行。

1. SequentialChain

将多个步骤串行执行。

from langchain.chains import SimpleSequentialChain

chain = SimpleSequentialChain(chains=[chain1, chain2], verbose=True)

2. LLMChain

最基本的链：PromptTemplate + LLM

llm_chain = LLMChain(prompt=prompt, llm=llm)

3. RouterChain

根据输入内容动态选择子链。

4. TransformChain

自定义中间处理逻辑，如数据清洗、字段重命名等。

五、Memory：让大模型拥有“记忆力”

LangChain 提供对话历史管理机制 Memory，可保持上下文连续。

1. ConversationBufferMemory

以 buffer 方式记录所有历史对话。

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

2. ConversationSummaryMemory

对对话历史进行摘要，适合长对话。

3. ConversationKGMemory

基于知识图谱提取实体关系。

在 Chain 中集成 Memory：

llm_chain = LLMChain(
    prompt=prompt,
    llm=llm,
    memory=memory
)

六、Agent 机制：调用外部工具的智能体

当你需要调用搜索引擎、数据库、Python 计算器，普通 LLM 无法完成。但 Agent + Tool 机制可以：

1. 初始化 Agent

from langchain.agents import load_tools, initialize_agent, AgentType

llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION)
agent.run("美国总统的年龄加上圆周率是多少？")

2. 自定义工具

from langchain.tools import Tool

def multiply(x): return int(x) * 2

tools = [Tool(name="double", func=multiply, description="将数字乘以2")]

Agent 会自动根据你的提问决定是否调用工具。

七、项目实战：打造一个“旅行助手”应用

目标：构建一个 LLM 驱动的旅行推荐系统，具备以下能力：

输入城市与预算，推荐景点与路线
结合天气 API 提供最佳出行时间
具备多轮对话能力
可调用搜索引擎获取实时信息

项目结构：

travel_bot/
├── app.py
├── prompt_templates/
│   └── recommend.txt
├── memory.py
├── tools.py
└── config.py

核心逻辑（app.py）

from langchain.llms import OpenAI
from langchain.agents import initialize_agent, Tool
from langchain.memory import ConversationBufferMemory
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# 加载配置与模型
llm = OpenAI(openai_api_key="your-key")
memory = ConversationBufferMemory()

# 自定义工具：天气
import requests

def get_weather(city):
    return f"{city} 明天多云 28℃"

tools = [Tool(name="weather", func=get_weather, description="获取天气信息")]

# 初始化 Agent
agent = initialize_agent(tools, llm, memory=memory, agent="chat-zero-shot-react-description")

while True:
    user_input = input("你：")
    print("助手：", agent.run(user_input))

八、LangChain 与向量数据库整合：实现知识检索问答

LangChain 支持与 FAISS、Weaviate、Pinecone 等向量数据库连接，实现 RAG（Retrieval Augmented Generation）能力。

示例：上传 PDF 文档，进行问答。

from langchain.document_loaders import PyPDFLoader
from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.chains import RetrievalQA

loader = PyPDFLoader("xxx.pdf")
docs = loader.load()

vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever()
)
qa_chain.run("请总结第二章内容")