新人制作，若有问题，请私聊我，或评论区

本教程从零基础快速入门LangChain框架，通过示例代码讲解核心功能。首先介绍如何调用大模型，对比OpenAI（文本补全）和ChatOpenAI（对话补全）两种接口的使用场景与区别。然后重点讲解Prompt模板功能，包括基础PromptTemplate和对话专用ChatPromptTemplate，帮助开发者实现结构化输入、避免提示词注入等问题。教程采用"边学边做"方式，每个知识点都配有可运行的小项目，强调实践应用。通过分离提示词结构与动态内容，使大模型调用更规范、可维护，适合构建聊天

LangChain的OutputParser（输出解析器）可将大模型输出的非结构化文本转换为结构化数据（如JSON、列表等），解决格式不一致、信息提取困难等问题。核心功能包括格式转换、校验及与提示词协同。教程介绍了多种解析器： CommaSeparatedListOutputParser：解析逗号分隔列表； EnumOutputParser：限定输出为预定义枚举值； DatetimeOutputParser：将时间字符串转为datetime对象； StructuredOutputParser：通过R

LangChain 教程：链（Chains）的进阶组合摘要 本文介绍了如何通过LangChain的链（Chains）功能构建复杂AI工作流。主要内容包括： 链组合的核心思想：通过Runnable接口实现组件的有序组合，支持序列、并行、条件和嵌套等组合方式。 基础序列链实现： 使用"|"运算符串联多个链 示例展示了两步骤处理流程（提取关键词→生成搜索查询） 多步骤序列链演示了如何传递多个参数 条件路由链： 根据输入内容动态选择执行不同的链 提供了基于规则和模型驱动的两种路由判断方式。

本文揭示了Agent代理执行器的核心工作机制。代理系统通过四个关键步骤实现工具调用：1）工具注册时建立名称与函数的映射；2）将工具描述注入模型提示；3）模型分析需求并生成工具调用指令；4）执行器根据指令路由到具体工具。核心机制在于agent_scratchpad的作用，它作为对话历史记录工具调用状态，包含工具执行结果，使模型能基于已有操作继续处理而避免循环调用。这种设计通过维护工具调用上下文，实现了从决策到执行再到结果反馈的完整闭环。

本节将详解如何定义工具、让模型自主决定调用工具，并结合记忆组件实现带上下文的工具调用。工具调用是 LangChain 扩展大模型能力的核心机制，通过定义工具、创建代理执行器，可让模型联动外部资源解决复杂问题。使用`create_tool_calling_agent` 与 `RunnableWithMessageHistory` 的结合，使工具调用更灵活且支持上下文记忆。

让我们的模型拥有记忆功能，LangChain 0.2.x 版本的记忆组件通过 RunnableWithMessageHistory 实现了更灵活的会话管理，结合 InMemoryChatMessageHistory、窗口记忆、摘要记忆等工具，可满足从简单对话到复杂场景的记忆需求。核心是根据对话长度和信息重要性选择合适的记忆策略，并通过 session_id 实现多用户隔离。

本文详细介绍了LangChain框架中的Prompt模板功能，重点讲解了如何通过结构化方式管理提示词，实现更灵活、可维护的大模型调用。两种核心模板类型：PromptTemplate：适用于文本补全场景(OpenAI类)ChatPromptTemplate：专为对话场景设计(ChatOpenAI类)，支持多角色消息模板

本文详细介绍了如何在LangChain框架中通过OpenAI和ChatOpenAI两类快速调用大模型，并对比了两者的区别与适用场景。提供开箱即用的代码示例，帮助开发者快速理解LangChain调用大模型的核心方法，并做出合适的技术选型。

全文附完整代码示例，适合开发者快速掌握大模型 API 调用逻辑。此外，还详解了temperature（控制随机性）、top_p（调节多样性）、max_tokens（限制长度）、stop（设置停止符）等关键参数的作用与用法。