Langchain学习教案

LangChain 阶段一教案

课程总体安排

课时分配

1. 第一次课：环境搭建 + 核心概念 + 提示词模板 + LCEL基础（3小时）
2. 第二次课：LCEL进阶 + 结构化输出 + 项目实战（3小时）

教学目标

知识目标：掌握 LangChain 核心概念，能使用 DeepSeek 构建基础 AI 应用能力目标：具备搭建提示词管道、处理结构化输出、调试链式应用的能力素养目标：培养工程化思维和模块化设计能力

第一次课：LangChain 基础与核心概念（3小时）

一、课程导入与环境搭建（30分钟）

1.1 LangChain 架构总览（10分钟）

设计图示：

传统方式： 用户输入 → 直接调用API → 文本输出 LangChain 方式： 用户输入 → 提示词模板 → 大模型 → 输出解析 → 结构化数据      ↓    工具调用      ↓     记忆管理      ↓    智能体决策

核心价值：

1. 模块化：像搭积木一样构建 AI 应用
2. 生产就绪：内置调试、监控、优化工具
3. 生态丰富：支持多种模型、数据库、工具

1.2 环境搭建实战（20分钟）

完整步骤：

步骤1：安装依赖

pip install langchain openai pydantic

步骤2：配置 DeepSeek API

# 1_environment_setup.py import os from langchain_openai import ChatOpenAI # 方法1：环境变量（推荐） # export DEEPSEEK_API_KEY="your-api-key" # 方法2：代码设置（测试用） os.environ['DEEPSEEK_API_KEY'] = 'your-api-key' def setup_environment():     """环境配置验证"""     model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY"),         temperature=0.7     )         # 测试连接     response = model.invoke("请回复'环境配置成功'证明连接正常")     print("🔧 环境测试:", response.content)     return response if __name__ == "__main__":     setup_environment()

实验验证：

python 1_environment_setup.py # 预期输出：环境测试: 环境配置成功

二、提示词工程与模板设计（60分钟）

2.1 提示词模板基础（20分钟）

设计图示：

静态提示词： "请解释{概念}" → 填充 → "请解释人工智能" 动态模板： 系统角色 + 用户输入 → 格式化 → 完整提示词

实验代码：

# 2_prompt_templates.py from langchain.prompts import ChatPromptTemplate, PromptTemplate from langchain_openai import ChatOpenAI import os def basic_prompt_demo():     """基础提示词模板演示"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 1. 基础文本模板     simple_template = PromptTemplate.from_template(         "请用{style}风格解释{concept}"     )         # 2. 聊天模板（推荐）     chat_template = ChatPromptTemplate.from_messages([         ("system", "你是一个{role}，请用{style}风格回答。"),         ("human", "问题：{question}"),         ("ai", "好的，我会以{style}风格回答。"),         ("human", "{actual_question}")     ])         # 格式化提示词     formatted = chat_template.invoke({         "role": "资深技术专家",         "style": "专业且简洁",         "question": "等待你的问题...",         "actual_question": "请解释云计算的三层服务模式"     })         print("=== 格式化后的提示词 ===")     print(formatted.to_string())         # 调用模型     response = model.invoke(formatted)     print("\n=== 模型回复 ===")     print(response.content)         return response def multi_role_system():     """多角色提示词系统"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 定义角色库     roles = {         "teacher": ChatPromptTemplate.from_messages([             ("system", """你是一个耐心的教师，善于用比喻和例子解释复杂概念。             针对{level}水平的学生，用他们能理解的方式讲解。"""),             ("human", "请解释：{concept}")         ]),                 "reviewer": ChatPromptTemplate.from_messages([             ("system", """你是一个严格的代码审查专家。             直接指出问题，给出具体改进方案。"""),             ("human", "审查代码：{code}")         ]),                 "storyteller": ChatPromptTemplate.from_messages([             ("system", "你是一个生动的故事讲述者，用故事来阐述道理。"),             ("human", "请用故事说明：{topic}")         ])     }         def ask_role(role_name, **kwargs):         """向指定角色提问"""         if role_name not in roles:             return "未知角色"                     prompt = roles[role_name].invoke(kwargs)         response = model.invoke(prompt)         return response.content         # 测试多角色系统     print("\n=== 教师角色 ===")     print(ask_role("teacher", concept="人工智能", level="小学生"))         print("\n=== 审查员角色 ===")     sample_code = """     def find_max(numbers):         max_num = numbers[0]         for i in range(1, len(numbers)):             if numbers[i] > max_num:                 max_num = numbers[i]         return max_num     """     print(ask_role("reviewer", code=sample_code))         print("\n=== 故事讲述者 ===")     print(ask_role("storyteller", topic="团队合作的重要性")) if __name__ == "__main__":     basic_prompt_demo()     multi_role_system()

2.2 高级提示词技巧（40分钟）

实验代码：

# 3_advanced_prompts.py from langchain.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate from langchain_openai import ChatOpenAI import os def few_shot_learning():     """少样本学习演示"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 定义少样本示例     examples = [         {             "input": "这个产品太棒了！",             "output": "正面评价"         },         {             "input": "服务很差，不会再来了。",             "output": "负面评价"         },         {             "input": "产品还行，但价格有点高。",             "output": "中性评价"         }     ]         # 创建少样本提示词模板     example_prompt = ChatPromptTemplate.from_messages([         ("human", "{input}"),         ("ai", "{output}")     ])         few_shot_prompt = FewShotChatMessagePromptTemplate(         example_prompt=example_prompt,         examples=examples,     )         # 最终提示词     final_prompt = ChatPromptTemplate.from_messages([         ("system", "你是一个情感分析专家。根据示例判断用户输入的情感倾向。"),         few_shot_prompt,         ("human", "{user_input}")     ])         # 测试少样本学习     test_inputs = [         "我非常喜欢这个功能！",         "质量太差了，很失望。",         "还可以，没什么特别的感觉。"     ]         for user_input in test_inputs:         prompt = final_prompt.invoke({"user_input": user_input})         response = model.invoke(prompt)         print(f"输入: {user_input}")         print(f"情感分析: {response.content}")         print("-" * 40) def dynamic_context_system():     """动态上下文系统"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         def create_contextual_assistant(context_type, user_data):         """创建基于上下文的助手"""                 contexts = {             "interview": {                 "role": "技术面试官",                 "style": "专业且具有挑战性",                 "goal": "评估技术能力和问题解决思维"             },             "tutor": {                 "role": "私人教师",                 "style": "耐心且鼓励性",                 "goal": "帮助学生理解和掌握知识"             },             "consultant": {                 "role": "业务顾问",                 "style": "专业且务实",                 "goal": "提供可行的解决方案"             }         }                 if context_type not in contexts:             return "不支持的上下文类型"                     context = contexts[context_type]                 prompt = ChatPromptTemplate.from_messages([             ("system", """你是{role}，风格{style}。             你的目标是：{goal}                         用户信息：{user_info}"""),             ("human", "{question}")         ])                 chain = prompt | model                 def ask_question(question):             response = chain.invoke({                 "role": context["role"],                 "style": context["style"],                 "goal": context["goal"],                 "user_info": user_data,                 "question": question             })             return response.content                 return ask_question         # 测试不同上下文     print("=== 技术面试 ===")     interviewer = create_contextual_assistant(         "interview",         "应聘高级Python开发工程师，5年经验"     )     print(interviewer("请解释Python的GIL全局解释器锁"))         print("\n=== 私人教师 ===")     tutor = create_contextual_assistant(         "tutor",         "编程初学者，刚开始学习Python"      )     print(tutor("请用简单的方式解释变量和数据类型")) if __name__ == "__main__":     few_shot_learning()     dynamic_context_system()

三、LCEL 链式编程基础（60分钟）

3.1 LCEL 核心概念（20分钟）

设计图示：

传统方式： prompt → model → output_parser （分步调用） LCEL 方式： prompt | model | output_parser （管道操作）

实验代码：

# 4_lcel_fundamentals.py from langchain.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain.schema.output_parser import StrOutputParser import os def basic_chain_operations():     """基础链操作"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 创建多个链     translator_chain = ChatPromptTemplate.from_template(         "将以下文本翻译为{language}：{text}"     ) | model | StrOutputParser()         summarizer_chain = ChatPromptTemplate.from_template(         "用一句话总结以下内容：{content}"      ) | model | StrOutputParser()         explainer_chain = ChatPromptTemplate.from_messages([         ("system", "你是一个{expert_type}，请用通俗语言解释复杂概念。"),         ("human", "请解释：{concept}")     ]) | model | StrOutputParser()         # 测试链     print("=== 翻译链 ===")     translation = translator_chain.invoke({         "language": "英语",         "text": "今天天气真好，适合出去玩"     })     print(translation)         print("\n=== 总结链 ===")     summary = summarizer_chain.invoke({         "content": "人工智能是计算机科学的一个分支，旨在创造能够执行通常需要人类智能的任务的机器。这些任务包括学习、推理、问题解决、感知和语言理解。"     })     print(summary)         print("\n=== 解释链 ===")     explanation = explainer_chain.invoke({         "expert_type": "技术专家",         "concept": "区块链技术"     })     print(explanation) def conditional_chains():     """条件链演示"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 分类链     classifier_chain = ChatPromptTemplate.from_template("""     判断以下问题属于哪个类别（编程/数学/生活/其他）：         问题：{question}         只需回复类别名称：     """) | model | StrOutputParser()         # 专业回答链     def create_expert_chain(category):         """根据类别创建专业回答链"""         experts = {             "编程": "资深程序员",             "数学": "数学教授",             "生活": "生活顾问",             "其他": "百科全书"         }                 expert_role = experts.get(category, "助手")                 chain = ChatPromptTemplate.from_messages([             ("system", f"你是{expert_role}，请专业地回答{category}类问题。"),             ("human", "{question}")         ]) | model | StrOutputParser()                 return chain         def smart_qa_system(question):         """智能问答系统"""         print(f"❓ 问题: {question}")                 # 1. 分类         category = classifier_chain.invoke({"question": question})         print(f"🏷️ 分类: {category}")                 # 2. 专业回答         expert_chain = create_expert_chain(category)         answer = expert_chain.invoke({"question": question})         print(f"💡 回答: {answer}")                 return answer         # 测试智能问答     test_questions = [         "Python的装饰器有什么作用？",         "如何计算圆的面积？",         "怎样提高睡眠质量？",         "火星上有没有生命？"     ]         for question in test_questions:         smart_qa_system(question)         print("-" * 50) if __name__ == "__main__":     basic_chain_operations()     conditional_chains()

3.2 链的组合与调试（40分钟）

实验代码：

# 5_chain_composition.py from langchain.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain.schema.output_parser import StrOutputParser import os def multi_step_workflow():     """多步骤工作流"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 步骤1：分析问题     analyzer_chain = ChatPromptTemplate.from_template("""     分析以下技术问题的核心难点：         问题：{problem}         核心难点分析：     """) | model | StrOutputParser()         # 步骤2：生成解决方案     solution_chain = ChatPromptTemplate.from_template("""     针对以下难点：     {analysis}         为问题提供解决方案：     问题：{problem}         解决方案：     """) | model | StrOutputParser()         # 步骤3：评估方案     evaluator_chain = ChatPromptTemplate.from_template("""     评估以下技术方案的优缺点：         问题：{problem}     方案：{solution}         优缺点分析：     """) | model | StrOutputParser()         def problem_solving_workflow(problem):         """问题解决工作流"""         print(f"🔧 处理问题: {problem}")                 print("\n📊 步骤1: 问题分析...")         analysis = analyzer_chain.invoke({"problem": problem})         print(f"分析结果: {analysis}")                 print("\n💡 步骤2: 生成方案...")         solution = solution_chain.invoke({             "analysis": analysis,             "problem": problem         })         print(f"解决方案: {solution}")                 print("\n⚖️ 步骤3: 方案评估...")         evaluation = evaluator_chain.invoke({             "problem": problem,             "solution": solution         })         print(f"评估结果: {evaluation}")                 return {             "analysis": analysis,             "solution": solution,             "evaluation": evaluation         }         # 测试工作流     technical_problems = [         "如何优化Python代码的执行速度？",         "数据库查询缓慢如何排查和优化？",         "如何设计一个高可用的微服务架构？"     ]         for problem in technical_problems:         result = problem_solving_workflow(problem)         print("=" * 60) def debugging_chains():     """链的调试技巧"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 调试装饰器     def debug_step(step_name):         """创建调试步骤"""         def debug_wrapper(input_data):             print(f"🔍 [{step_name}] 输入: {type(input_data)}")             if hasattr(input_data, 'content'):                 print(f"   内容: {input_data.content[:100]}...")             elif isinstance(input_data, str):                 print(f"   内容: {input_data[:100]}...")             else:                 print(f"   数据: {input_data}")             return input_data         return debug_wrapper         # 构建可调试的链     prompt = ChatPromptTemplate.from_template("""     处理以下任务：         任务：{task}         请提供详细的步骤说明：     """)         # 带调试的链     debug_chain = (         prompt         | debug_step("1.提示词格式化")         | model         | debug_step("2.模型输出")         | StrOutputParser()         | debug_step("3.最终结果")     )         # 测试调试链     result = debug_chain.invoke({         "task": "如何学习一门新的编程语言"     })         print(f"\n🎯 最终结果: {result}") def batch_processing():     """批量处理演示"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 创建批处理链     processor_chain = ChatPromptTemplate.from_template("""     处理以下文本：         文本：{text}         请进行以下处理：     1. 提取关键信息     2. 总结主要内容      3. 评估文本质量（1-10分）         处理结果：     """) | model | StrOutputParser()         def batch_process_texts(texts):         """批量处理文本"""         results = []                 for i, text in enumerate(texts, 1):             print(f"处理第 {i}/{len(texts)} 个文本...")                         try:                 result = processor_chain.invoke({"text": text})                 results.append(result)                 print(f"✅ 完成: {result[:50]}...")             except Exception as e:                 print(f"❌ 错误: {e}")                 results.append(None)                             print("-" * 30)                 return results         # 测试批量处理     sample_texts = [         "人工智能是当前科技发展的热点领域，深度学习技术在图像识别、自然语言处理等方面取得了突破性进展。",         "区块链技术通过去中心化的方式确保数据安全，比特币是区块链技术的第一个成功应用。",         "云计算提供了按需获取计算资源的能力，大大降低了企业的IT成本。"     ]         print("🚀 开始批量处理...")     batch_results = batch_process_texts(sample_texts)         print("\n📊 批量处理完成!")     for i, result in enumerate(batch_results, 1):         print(f"结果 {i}: {result}") if __name__ == "__main__":     multi_step_workflow()     debugging_chains()     batch_processing()

四、第一次课综合实战（30分钟）

实验代码：

# 6_integrated_practice.py from langchain.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain.schema.output_parser import StrOutputParser import os def smart_teaching_assistant():     """智能教学助手综合实战"""         model = ChatOpenAI(         model="deepseek-chat",         openai_api_base="https://api.deepseek.com/v1",         openai_api_key=os.getenv("DEEPSEEK_API_KEY")     )         # 1. 知识点解释链     concept_explainer = ChatPromptTemplate.from_messages([         ("system", """你是一个{expert_type}，擅长用{explanation_style}的方式解释概念。         针对{audience}受众，调整解释的深度和方式。"""),         ("human", "请解释：{concept}")     ]) | model | StrOutputParser()         # 2. 示例生成链     example_generator = ChatPromptTemplate.from_template("""     为以下概念提供{example_count}个{example_type}例子：         概念：{concept}         例子：     """) | model | StrOutputParser()         # 3. 练习创建链     exercise_creator = ChatPromptTemplate.from_template("""     为以下概念创建{exercise_count}个{difficulty}难度的练习题：         概念：{concept}         练习题：     """) | model | StrOutputParser()         def teach_concept(concept, expert_type="教师", audience="初学者",                      explanation_style="生动有趣", example_count=3,                      example_type="生活化", exercise_count=2, difficulty="基础"):         """完整的概念教学流程"""                 print(f"🎓 教学主题: {concept}")         print("=" * 50)                 # 解释概念         print("\n📖 概念解释:")         explanation = concept_explainer.invoke({             "expert_type": expert_type,             "explanation_style": explanation_style,             "audience": audience,             "concept": concept         })         print(explanation)                 # 生成例子         print(f"\n🎯 {example_count}个{example_type}例子:")         examples = example_generator.invoke({             "concept": concept,             "example_count": example_count,             "example_type": example_type         })         print(examples)                 # 创建练习         print(f"\n📝 {exercise_count}个{difficulty}练习题:")         exercises = exercise_creator.invoke({             "concept": concept,             "exercise_count": exercise_count,             "difficulty": difficulty         })         print(exercises)                 return {             "explanation": explanation,             "examples": examples,             "exercises": exercises         }         # 交互式教学系统     def interactive_teaching():         """交互式教学系统"""                 print("🤖 智能教学助手")         print("=" * 30)                 while True:             print("\n请选择教学模式：")             print("1. 快速学习（默认配置）")             print("2. 自定义学习")             print("3. 退出系统")                         choice = input("请选择 (1-3): ").strip() or "1"                         if choice == "1":                 concept = input("请输入要学习的概念: ").strip()                 if concept:                     teach_concept(concept)                                 elif choice == "2":                 concept = input("学习概念: ").strip()                 expert_type = input("专家类型 (默认: 教师): ").strip() or "教师"                 audience = input("受众水平 (默认: 初学者): ").strip() or "初学者"                 explanation_style = input("解释风格 (默认: 生动有趣): ").strip() or "生动有趣"                 example_count = int(input("例子数量 (默认: 3): ").strip() or "3")                 example_type = input("例子类型 (默认: 生活化): ").strip() or "生活化"                 exercise_count = int(input("练习题数量 (默认: 2): ").strip() or "2")                 difficulty = input("难度 (默认: 基础): ").strip() or "基础"                                 if concept:                     teach_concept(                         concept, expert_type, audience, explanation_style,                         example_count, example_type, exercise_count, difficulty                     )                                 elif choice == "3":                 print("谢谢使用，再见！")                 break             else:                 print("无效选择，请重新输入")         return interactive_teaching if __name__ == "__main__":     assistant = smart_teaching_assistant()     assistant()