2025年LangChain（V0.3）开发与综合案例

原创

已于 2025-05-17 16:11:22 修改 · 5.1k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #语言模型

于 2025-05-06 22:34:46 首次发布

LangChain安装

要开始使用LangChain，首先需要安装相关的库：

pip install langchain
pip install langchain-openai
pip install langchain-community
pip install langgraph,grandalf

与大模型的集成

LangChain支持各种大模型，包括OpenAI的模型、智谱的GLM等，只需更改几个参数即可切换不同的模型：

llm = ChatOpenAI(
    model="glm-4-plus",
    temperature=1.0,
    openai_api_key="your_api_key",
    openai_api_base="your_api_base_url"
)

LangChain的核心概念

提示词模板

在LangChain中，提示词通常通过模板定义，支持参数化，方便动态生成提示词。两个方式的目的都是创建一个提示词模板，可以根据个人喜好选择其中一种使用。
提示词模板有两种创建方式：

1. from_template方式

使用对象方式定义模板。

from_messages方式（更常用）

json方式定义模板：

prompt = ChatPromptTemplate.from_messages([
    ("system", "请把下面的语句翻译成{language}"),
    ("user", "{user_text}")
])

LangChain Expression Language (LCEL)

LCEL允许开发者以声明式的方式链接各个组件，使用竖线"|"操作符来连接不同的组件，创建复杂的处理流程，比如某节点循环、重复等。

串行/并行

串行执行：节点按顺序依次执行，前一个节点的输出作为后一个节点的输入。这是最常见的模式，如我们之前示例中的链式结构。
并行执行：多个节点同时接收相同的输入，各自处理后再汇总结果。这对于需要从不同角度分析同一数据的场景特别有用。

# 串行执行示例
serial_chain = node1 | node2 | node3

# 并行执行示例
parallel_chain = (node1 & node2 & node3) | combine_results

链可能会越来越复杂，以下可以可视化链

# 可视化链结构
chain.get_graph().print_ascii()

在这里插入图片描述

使用串行链案例

# 定义大模型
llm = ChatOpenAI(
    model="glm-4-plus",
    temperature=1.0,
    openai_api_key="your_api_key", 
    openai_api_base="your_api_base_url"
)

# 创建提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "请把下面的语句翻译成{language}"),
    ("history", MessagePlaceholder(variable_name="history")),
    ("user", "{user_text}")
])

# 创建链
chain = prompt | llm | StrOutputParser()

# 调用链并传参
result = chain.invoke({
   
   
    "language": "日文",
    "user_text": "