LangChain基础教程：开启大模型应用开发之旅

作者:admin | 分类:顶峰机器人 | 浏览:3 | 日期:2026年03月26日

在大模型应用开发的浪潮中，LangChain凭借其模块化设计与强大的集成能力，成为开发者手中的“乐高积木”，能快速搭建出智能客服、问答系统、数据分析工具等多样化应用。本教程将带您走进LangChain的基础世界，从核心概念到实操上手，一步步解锁其强大功能。

一、LangChain核心架构与组件

LangChain采用分层架构，各组件各司其职又紧密协作，为开发提供灵活支撑。

LangChain-Core：作为框架的基石，定义了基础抽象类与LangChain表达式语言（LCEL）。开发者若想自定义LLM包装器、工具或链，就需要与这一层打交道，它确保了组件间的兼容性与扩展性。
LangChain：承载框架的主要功能，包含链（Chains）、智能体（Agents）、检索策略（Retrieval strategies）等核心模块，是构建应用认知架构的关键。
LangChain-Community：汇聚了丰富的第三方集成，支持对接OpenAI、Anthropic、Google等主流大模型，还包含文本分割、文档加载等实用工具，极大拓展了框架的边界。
周边生态工具：LangGraph用于构建复杂的多参与者应用，LangSmith提供调试、测试、监控全流程支持，LangServe则能将链部署为REST API，实现应用的快速上线与调用。

二、快速上手：环境搭建与基础调用

（一）环境安装

打开终端，通过以下命令完成LangChain及相关依赖的安装：

# 安装基础包 pip install langchain langchain-community # 若需对接OpenAI模型，安装专用包 pip install langchain-openai # 安装环境变量管理工具 pip install python-dotenv

（二）基础调用示例

以调用OpenAI的GPT-3.5-turbo模型为例，编写简单代码实现对话功能：

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI # 加载环境变量 load_dotenv() # 初始化模型 llm = ChatOpenAI( model="gpt-3.5-turbo", openai_api_key=os.getenv("OPENAI_API_KEY") ) # 发起请求并获取响应 response = llm.invoke("请用三句话介绍LangChain") print(response.content)

运行代码后，您将得到模型返回的关于LangChain的介绍内容。LangChain的优势在此体现得淋漓尽致：它统一了不同模型的调用接口，若后续想切换为其他模型，只需修改初始化模型的代码，业务逻辑无需改动。

三、核心功能模块解析

（一）提示词模板：规范输入与输出

提示词是大模型交互的基础，LangChain的提示词模板功能能帮助开发者高效构建标准化输入。

PromptTemplate：适用于文本补全场景，通过定义动态变量与模板结构，快速生成个性化提示词。例如：

from langchain_core.prompts import PromptTemplate template = "请以{role}的身份，用{style}的语气介绍{product}。" prompt_template = PromptTemplate( input_variables=["role", "style", "product"], template=template ) prompt = prompt_template.format( role="科技博主", style="幽默风趣", product="LangChain" ) print(prompt)

ChatPromptTemplate：专为对话场景设计，支持为系统、用户、助手等不同角色定义模板，完美适配多轮对话需求。

（二）记忆管理：实现多轮对话连贯性

默认情况下，大模型没有对话记忆，无法关联上下文。LangChain的记忆组件解决了这一问题，例如ConversationBufferMemory能完整保存对话历史：

from langchain.chains import LLMChain from langchain.memory import ConversationBufferMemory # 创建记忆组件 memory = ConversationBufferMemory(memory_key="chat_history") # 定义带记忆的提示词模板 template = """你是一位贴心助手，根据对话历史回答用户问题。对话历史：{chat_history} 用户问题：{question} 回答：""" prompt = PromptTemplate( input_variables=["chat_history", "question"], template=template ) # 创建链 chain = LLMChain(llm=llm, prompt=prompt, memory=memory) # 多轮对话 print(chain.invoke({"question": "什么是LangChain？"})["text"]) print(chain.invoke({"question": "它的核心优势有哪些？"})["text"])

运行代码后，助手能基于上一轮的对话内容，连贯地回答后续问题。

（三）数据连接：实现外部数据交互

在实际应用中，大模型常需结合外部数据增强能力。LangChain提供了完整的数据连接方案，包括文档加载、分割、向量化与存储检索。以加载文本文件并构建检索问答系统为例：

from langchain.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chains import RetrievalQA # 加载文档 loader = TextLoader("document.txt") documents = loader.load() # 分割文档 text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0) split_docs = text_splitter.split_documents(documents) # 向量化并存储 embeddings = OpenAIEmbeddings() db = Chroma.from_documents(split_docs, embeddings) # 创建检索问答链 qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=db.as_retriever() ) # 发起检索问答请求 response = qa_chain.invoke("文档中关于LangChain架构的内容有哪些？") print(response["result"])