一、LangChain核心组件深度解析

在上一篇基础教程中，我们初步认识了LangChain的整体架构，这一篇我们将深入拆解其核心组件，理解它们如何协同工作构建强大的LLM应用。

（一）模型层（Models）：LLM应用的核心大脑

模型层是LangChain的核心，它提供了统一的接口来调用不同的大语言模型，无论是OpenAI的GPT系列、Anthropic的Claude，还是本地部署的LLaMA等模型，都可以通过LangChain的标准化方式进行调用。这意味着开发者无需为不同模型学习不同的API调用方式，极大降低了学习成本和迁移成本。

例如，调用OpenAI的GPT-3.5-turbo模型只需几行代码：

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="你的API密钥")
response = llm.invoke("请解释一下LangChain的核心优势")
print(response.content)


如果后续需要切换到Anthropic的Claude模型，只需修改模型初始化的代码，其余业务逻辑无需改动。

（二）提示词管理（Prompts）：引导LLM输出的关键

提示词是与大语言模型交互的核心，LangChain提供了强大的提示词管理功能，包括提示词模板、动态提示词生成等。提示词模板允许开发者将固定的提示词结构与动态变量结合，既保证了提示词的规范性，又提升了灵活性。

比如创建一个生成公司名称的提示词模板：

from langchain_core.prompts import PromptTemplate
template = "我想让你扮演一个公司命名顾问。请为一家生产{product}的公司起一个有创意的名字。"
prompt = PromptTemplate(input_variables=["product"], template=template)
formatted_prompt = prompt.format(product="智能机器人")
print(formatted_prompt)


运行这段代码，会生成"我想让你扮演一个公司命名顾问。请为一家生产智能机器人的公司起一个有创意的名字。"这样的提示词，通过替换product变量，可以轻松适配不同的产品命名需求。

（三）输出解析器（Output Parsers）：让LLM输出结构化

大语言模型的输出通常是自然语言文本，但在实际应用中，我们往往需要结构化的数据，比如JSON、字典或者自定义的数据类。LangChain的输出解析器可以将LLM的非结构化输出转换为结构化数据，方便后续的业务处理。

例如，我们可以定义一个订单信息的数据类，并使用输出解析器从LLM输出中提取结构化的订单信息：

from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

class OrderInfo(BaseModel):
   order_id: str = Field(description="订单编号")
   order_type: str = Field(description="订单类型")
   user_demand: str = Field(description="用户诉求")

parser = PydanticOutputParser(pydantic_object=OrderInfo)
# 构造包含格式要求的提示词
prompt = PromptTemplate(
   template="请从以下文本中提取订单信息：{text}\n{format_instructions}",
   input_variables=["text"],
   partial_variables={"format_instructions": parser.get_format_instructions()}
)
formatted_prompt = prompt.format(text="用户查询订单123456的物流状态，这是一个物流咨询订单。")
# 调用LLM并解析输出
response = llm.invoke(formatted_prompt)
order_info = parser.parse(response.content)
print(order_info.order_id)  # 输出：123456


二、链（Chains）：组件的协同工作

链是LangChain的核心概念之一，它将多个组件（模型、提示词、输出解析器等）串联起来，形成一个完整的工作流程。通过链，我们可以实现复杂的业务逻辑，比如先使用提示词模板生成问题，再调用LLM生成回答，最后使用输出解析器处理结果。

最简单的链是LLMChain，它将提示词模板和LLM结合起来：

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run(product="智能机器人")
print(result)


除了LLMChain，LangChain还提供了SequentialChain（顺序链）、RouterChain（路由链）等多种链类型，满足不同的业务需求。例如，SequentialChain可以将多个链按顺序执行，前一个链的输出作为后一个链的输入，实现复杂的多步骤任务。

三、实战：构建简单的问答系统

现在我们将结合以上组件，构建一个简单的问答系统。该系统将接收用户的问题，使用提示词模板格式化问题，调用LLM生成回答，并将结果返回给用户。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 初始化模型
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="你的API密钥")
# 创建提示词模板
prompt = ChatPromptTemplate.from_messages([
   ("system", "你是一个知识渊博的问答专家，能够准确回答用户的各种问题。"),
   ("user", "{question}")
])
# 创建输出解析器
parser = StrOutputParser()
# 构建链
chain = prompt | llm | parser
# 运行链
result = chain.invoke({"question": "LangChain适合用来构建哪些类型的应用？"})
print(result)


运行这段代码，系统会调用LLM回答关于LangChain应用场景的问题，并将结果以字符串形式返回。