通过类比,十分钟掌握LangChain的快速入门，从入门到精通，只看这一篇！！！

关注

原创最新推荐文章于 2026-08-05 10:51:10 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

LangChain入门指南 LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。官方文档：https://python.langchain.com/en/latest/ 阅读详情

背景

快速入门的三部曲跟家里安装防盗门的步骤是类似的.

1. 安装门
1. 设密码
1. 测试一下

对应到解决方案领域的快速入门的三部曲是什么?

1. 安装 : Install
1. 环境设置: Env
1. 写DEMO: Demo

那对应到LangChain的快速入门上是什么呢?

前两个步骤没差异, 关键是写DEMO上.

了解本文详细内容前, 建议先看这篇通过类比, 十分钟快速掌握LangChain的架构[1], 了解了基本的架构内容后, 回头再写DEMO, 会快很多.

今日的DEMO也主要是从Model I/O的提示模板以及额外的LangChain表达式入手.

DEMO包含以下内容:

• 使用LangChain进行设置
• 使用LangChain最基本和最常用的组件: 提示模板、模型和输出解析器
• 使用LangChain表达式语言(LECL)，这是LangChain构建的协议，有助于组件链接

Step1: 安装: Install

要安装LangChain，请运行:

Pip/Conda 二选一即可

• Pip 方式

 pip install langchain

• Conda

 conda install langchain -c conda-forge

官方详细安装指南[2]

Step2: 环境设置

使用LangChain通常需要与一个或多个模型提供者、数据存储、API等进行集成。本示例将使用OpenAI的模型API。

首先，我们需要安装他们的Python包：

pip install openai

访问API需要一个API密钥，你可以通过创建一个帐户并前往这里[3]来获取。当我们获得了一个密钥之后，我们需要通过运行以下命令将其设置为环境变量：

export OPENAI\_API\_KEY="..."

如果你不想设置环境变量，你可以在初始化OpenAI LLM类时直接通过openai_api_key命名参数传递密钥：

from langchain.llms import OpenAI    
    
llm = OpenAI(openai\_api\_key="...")

构建应用程序

LangChain提供了许多可以用来构建语言模型应用程序的模块。这些模块可以作为简单应用程序中的独立模块使用，也可以组合在一起用于更复杂的用例。

LangChain应用程序的核心构建模块是LLMChain。它结合了三个方面:

• LLM/ChatModel (大语言模型/聊天模型): 语言模型是核心推理引擎。要使用LangChain，您需要了解不同类型的语言模型以及如何使用它们。
• Prompt Templates: 提供语言模型的指令。这控制了语言模型的输出，因此了解如何构建提示和不同的提示策略至关重要。
• Output Parsers: 将LLM的原始响应转换为更易处理的格式，使得在下游使用输出变得容易。

在本入门中，我们将逐个介绍这三个组件，然后介绍将它们组合在一起的LLMChain。了解这些概念将使您能够很好地使用和定制LangChain应用程序。大多数LangChain应用程序允许您配置LLM和/或使用的提示，因此了解如何利用这一点将是一个很好的帮助。

LLM/ChatModel (大语言模型/聊天模型)

LangChain中有两种类型的语言模型，称为:

• LLM: 这是一个以字符串作为输入并返回字符串的语言模型
• ChatModels: 这是一个以消息列表作为输入并返回消息的语言模型

LLM的输入/输出简单易懂 - 都是字符串。但是ChatModels呢？这里的***输入是一个Message列表，输出是一个单独的Message***。

什么是Message? 基础的Message的接口的定义是BaseMessage. 他有两个必需的属性:

• content: 消息的内容。
• role: BaseMessage 的消息的角色。

LangChain提供了几个对象，用于方便地区分不同的角色:

• HumanMessage: 来自人类/用户的BaseMessage 。
• AIMessage: 来自AI/助手的BaseMessage 。
• SystemMessage: 来自系统的BaseMessage 。
• FunctionMessage/ToolMessage : 来自函数调用的BaseMessage 。

如果这些角色都不合适，还可以使用ChatMessage类手动指定角色。LangChain为两者提供了一个标准接口 .invoke()，所有LangChain表达式语言 (LCEL) 对象的通用同步调用方法:

• LLM.invoke: 接受一个字符串，返回一个字符串
• ChatModel.invoke: 接受一个BaseMessage 列表，返回一个BaseMessage。

让我们看看如何使用这些不同类型的模型和不同类型的输入。首先，让我们导入LLM和ChatModel。

from langchain.llms import OpenAI  
from langchain.chat_models import ChatOpenAI  
from langchain.schema import HumanMessage  
  
llm = OpenAI()  
chat_model = ChatOpenAI()  
  
text = "What would be a good company name for a company that makes colorful socks?"  
messages = [HumanMessage(content=text)]  
  
llm.invoke(text)  
# >> Feetful of Fun  
  
chat_model.invoke(messages)  
# >> AIMessage(content="Socks O'Color")

OpenAI和ChatOpenAI对象基本上只是配置对象。您可以使用诸如temperature等参数对其进行初始化，并将其传递给其他对象。

Prompt template(提示模板)

大多数LLM应用程序不会直接将用户输入传递到LLM中。通常，它们会将用户输入添加到一个更大的文本片段中，称为提示模板，该模板提供了有关特定任务的附加上下文。

在前面的示例中，我们传递给模型的文本包含了生成公司名称的指令。对于我们的应用程序，如果用户只需提供公司/产品的描述而无需担心给出模型指令，那将非常好。

PromptTemplates正是为此而设计的！它们将用户输入转化为完全格式化的提示的所有逻辑绑定在一起。这可以从非常简单的开始 - 例如，产生上述字符串的提示只需是

from langchain.prompts import PromptTemplate    
    
prompt = PromptTemplate.from\_template("What is a good name for a company that makes {product}?")    
prompt.format(product="colorful socks")

What is a good name for a company that makes colorful socks?

然而，使用这些而不是原始字符串格式化的优势有几个。您可以“部分”出变量 - 例如，您可以一次只格式化某些变量。您可以将它们组合在一起，轻松地将不同的模板组合成一个单独的提示。有关这些功能的说明，请参阅提示部分[4]以获取更多详细信息。

PromptTemplates还可以用于生成消息列表。在这种情况下，提示不仅包含有关内容的信息，还包含每个消息（其角色、其在列表中的位置等）在这里，最常见的是ChatPromptTemplate是ChatMessageTemplate的列表。每个ChatMessageTemplate包含了格式化该ChatMessage的指令 - 其角色，以及其内容。让我们在下面看一下这个:

from langchain.prompts.chat import (    
 ChatPromptTemplate,    
 SystemMessagePromptTemplate,    
 HumanMessagePromptTemplate,    
)    
    
template = "You are a helpful assistant that translates {input\_language} to {output\_language}."    
system\_message\_prompt = SystemMessagePromptTemplate.from\_template(template)    
human\_template = "{text}"    
human\_message\_prompt = HumanMessagePromptTemplate.from\_template(human\_template)    
    
chat\_prompt = ChatPromptTemplate.from\_messages([system\_message\_prompt, human\_message\_prompt])    
    
chat\_prompt.format\_messages(input\_language="English", output\_language="French", text="I love programming.")

[    
 SystemMessage(content="You are a helpful assistant that translates English to French.", additional\_kwargs={}),    
 HumanMessage(content="I love programming.")    
]

除了ChatMessageTemplate之外，ChatPromptTemplates还可以包括其他内容 - 有关更多详细信息，请参阅提示部分[5]。

Output parser(输出解析器)

OutputParsers将LLM的原始输出转换为可以在下游使用的格式。输出解析器有几种主要类型，包括:

• 将LLM的文本转换为结构化信息（例如JSON）
• 将ChatMessage转换为字符串
• 将除消息之外的其他信息（如OpenAI函数调用）转换为字符串。

有关此方面的详细信息，请参阅输出解析器部分[6]

在本入门指南中，我们将编写自己的输出解析器 - 将逗号分隔的列表转换为列表。

from langchain.schema import BaseOutputParser    
    
class CommaSeparatedListOutputParser(BaseOutputParser):    
 """Parse the output of an LLM call to a comma-separated list."""    
    
 def parse(self, text: str):    
 """Parse the output of an LLM call."""    
 return text.strip().split(", ")    
    
CommaSeparatedListOutputParser().parse("hi, bye")    
# >> ['hi', 'bye']

用LECL进行链式调用(Composing with LCEL)

现在，我们可以将所有这些组合成一个链组件(LangChain的命名中, Chain的由来)。这个链组件将接收输入变量，将其传递给提示模板以创建提示，将提示传递给LLM，然后通过一个（可选的）输出解析器将输出传递出去。这是一种方便地将模块化逻辑捆绑在一起的方式。让我们看看它的作用！

from langchain.chat\_models import ChatOpenAI    
from langchain.prompts.chat import (    
 ChatPromptTemplate,    
 SystemMessagePromptTemplate,    
 HumanMessagePromptTemplate,    
)    
from langchain.chains import LLMChain    
from langchain.schema import BaseOutputParser    
    
class CommaSeparatedListOutputParser(BaseOutputParser):    
 """Parse the output of an LLM call to a comma-separated list."""    
    
    
 def parse(self, text: str):    
 """Parse the output of an LLM call."""    
 return text.strip().split(", ")    
    
template = """You are a helpful assistant who generates comma separated lists.    
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.    
ONLY return a comma separated list, and nothing more."""    
system\_message\_prompt = SystemMessagePromptTemplate.from\_template(template)    
human\_template = "{text}"    
human\_message\_prompt = HumanMessagePromptTemplate.from\_template(human\_template)    
    
chat\_prompt = ChatPromptTemplate.from\_messages([system\_message\_prompt, human\_message\_prompt])    
chain = LLMChain(    
 llm=ChatOpenAI(),    
 prompt=chat\_prompt,    
 output\_parser=CommaSeparatedListOutputParser()    
)    
chain.run("colors")    
# >> ['red', 'blue', 'green', 'yellow', 'orange']

参考资料

LangChain 中文文档 v0.0.291[7]
LangChain Introduction[8]

One More Thing

对本系列文章感兴趣? 请一键三连

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述