LangChain快速入门：用通义千问构建AI应用-AI智能范式网

LangChain快速入门：用通义千问构建AI应用

About Nature·2026-08-14·阅读 22 GEO检测（免费）

LangChain通义千问大语言模型

|难度：普通|阅读约 21 分钟

1. LangChain 快速入门：用通义千问构建你的第一个 AI 应用

最近在开发 AI 应用时，我发现 LangChain 这个框架确实能大幅提升开发效率。作为一个专门用于构建大语言模型应用的框架，它通过组件化和链式调用的方式，让原本复杂的 AI 应用开发变得简单直观。今天我就以通义千问为例，带大家快速上手 LangChain 的核心用法。

LangChain 的核心价值在于它提供了一套标准化的组件和流程。想象一下，如果你要开发一个 AI 应用，通常需要处理提示词模板、模型调用、输出解析等一系列繁琐的工作。而 LangChain 把这些都封装成了可复用的模块，开发者只需要像搭积木一样把它们组合起来就行。下面我们就从环境配置开始，一步步构建一个能实际运行的 AI 应用。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 环境准备与安装

2.1 基础环境配置

在开始之前，确保你的 Python 环境是 3.8 或更高版本。我推荐使用虚拟环境来管理依赖：

bash复制python -m venv langchain-env
source langchain-env/bin/activate  # Linux/Mac
# 或者
langchain-env\Scripts\activate  # Windows

2.2 安装核心依赖

LangChain 采用模块化设计，核心包只包含基础功能，特定模型的支持需要额外安装：

bash复制pip install langchain langchain-community

对于通义千问模型，我们还需要安装专门的适配器：

bash复制pip install langchain-qwq

注意：不同模型的安装包名称不同。比如 OpenAI 的是 langchain-openai，Hugging Face 的是 langchain-huggingface。务必根据你要使用的模型选择正确的包。

2.3 获取 API 密钥

使用通义千问需要先在阿里云 DashScope 平台申请 API Key：

访问 DashScope 官网
注册/登录账号
在控制台创建 API Key
记录下这个 Key，我们稍后会用到

3. 构建第一个 AI 应用

3.1 初始化模型

让我们从最简单的例子开始 - 让 AI 用三句话解释一个技术概念。首先创建模型实例：

python复制import os
from langchain_community.chat_models.tongyi import ChatTongyi

# 设置 API Key
os.environ["DASHSCOPE_API_KEY"] = "你的API_KEY"

# 创建模型实例
model = ChatTongyi(model="qwen-plus")

这里有几个关键点需要注意：

qwen-plus 是通义千问的付费版本，性能更强。免费用户可以使用 qwen-turbo
API Key 建议通过环境变量设置，不要硬编码在代码中
模型初始化参数会根据不同提供商而变化，比如 OpenAI 需要传 temperature 等参数

3.2 设计提示词模板

LangChain 提供了强大的提示词模板功能：

python复制from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个精通{topic}的资深技术专家。"),
    ("user", "请用三句话解释一下什么是{concept}。")
])

这个模板有几个特点：

使用 {variable} 语法定义变量，实际调用时传入具体值
支持多角色对话，这里使用了 system 和 user 两个角色
system 消息用于设定 AI 的角色和专业背景
user 消息是实际要问的问题

提示：system 消息对输出质量影响很大。好的 system prompt 应该明确 AI 的角色、专业领域和回答风格。

3.3 构建处理链

LangChain 最强大的功能就是能将各个组件连接成链：

python复制from langchain_core.output_parsers import StrOutputParser

output_parser = StrOutputParser()
chain = prompt | model | output_parser

这个 | 操作符链式调用是 LangChain 的特色，它表示数据流动的方向：

首先将输入传给 prompt 模板进行填充
然后将完整的 prompt 传给模型
最后用输出解析器处理模型返回的结果

3.4 调用模型获取结果

现在我们可以用两种方式获取 AI 的回答：

一次性获取完整响应：

python复制response = chain.invoke({
    "topic": "Python", 
    "concept": "列表"
})
print(response)

流式输出（逐字显示）：

python复制for chunk in chain.stream({
    "topic": "人工智能", 
    "concept": "神经网络"
}):
    print(chunk, end="", flush=True)

流式输出特别适合需要实时显示结果的场景，比如聊天应用。

4. 核心组件深度解析

4.1 模型初始化详解

不同模型的初始化方式略有差异。以通义千问为例，主要参数包括：

python复制model = ChatTongyi(
    model="qwen-plus",  # 模型名称
    temperature=0.7,    # 控制随机性 (0-1)
    top_p=0.9,          # 核采样参数
    max_tokens=1024     # 最大输出长度
)

关键参数说明：

temperature：值越高输出越随机，适合创意任务；值越低输出越确定，适合事实性问题
top_p：控制生成多样性的另一种方式，与 temperature 配合使用
max_tokens：限制响应长度，防止生成过长内容

4.2 提示词模板进阶用法

LangChain 支持更复杂的提示词设计：

python复制from langchain_core.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate
)

# 分别创建系统消息和用户消息模板
system_template = SystemMessagePromptTemplate.from_template(
    "你是一位专注于{field}的{role}，回答时请使用{style}风格。"
)
human_template = HumanMessagePromptTemplate.from_template(
    "请解释{concept}，并给出{example_count}个实际例子。"
)

# 组合成完整提示词
prompt = ChatPromptTemplate.from_messages([
    system_template,
    human_template
])

# 使用示例
chain.invoke({
    "field": "编程教育",
    "role": "高级讲师",
    "style": "生动有趣",
    "concept": "Python装饰器",
    "example_count": 2
})

这种结构化设计让复杂提示词更易维护，特别适合需要频繁调整提示词的项目。

4.3 输出解析器的妙用

除了简单的字符串解析，LangChain 还支持：

JSON 输出解析：

python复制from langchain_core.output_parsers import JsonOutputParser

parser = JsonOutputParser()
chain = prompt | model | parser  # 输出会自动转为字典

结构化数据解析：

python复制from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.output_parsers import PydanticOutputParser

class Answer(BaseModel):
    definition: str = Field(description="概念定义")
    examples: list[str] = Field(description="示例列表")
    importance: str = Field(description="重要性说明")

parser = PydanticOutputParser(pydantic_object=Answer)
chain = prompt | model | parser  # 输出会转为 Answer 对象

这些高级解析器能确保模型输出符合预期的数据结构，大大简化后续处理。

5. 实战技巧与常见问题

5.1 性能优化建议

批量处理请求：

python复制inputs = [
    {"topic": "Python", "concept": "列表"},
    {"topic": "Java", "concept": "接口"},
    {"topic": "Go", "concept": "协程"}
]

# 批量调用提高效率
responses = chain.batch(inputs)

缓存重复请求：

python复制from langchain.cache import InMemoryCache
from langchain.globals import set_llm_cache

set_llm_cache(InMemoryCache())  # 启用内存缓存

5.2 错误处理最佳实践

处理速率限制：

python复制import time
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def safe_invoke(chain, input):
    try:
        return chain.invoke(input)
    except Exception as e:
        print(f"Error: {e}, retrying...")
        raise

response = safe_invoke(chain, {"topic": "Python", "concept": "生成器"})

处理超长上下文：

python复制from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=2000,
    chunk_overlap=200
)

texts = splitter.split_text(long_document)
for text in texts:
    response = chain.invoke({"text": text})
    # 处理分段结果

5.3 调试技巧

查看实际发送的提示词：

python复制print(prompt.format(topic="Python", concept="装饰器"))

记录完整交互过程：

python复制from langchain.callbacks import FileCallbackHandler
from langchain.schema import LLMResult

handler = FileCallbackHandler("log.txt")
chain.invoke(
    {"topic": "Python", "concept": "迭代器"},
    config={"callbacks": [handler]}
)

6. 扩展应用场景

6.1 构建问答系统

python复制qa_prompt = ChatPromptTemplate.from_messages([
    ("system", "根据以下上下文回答问题。如果不知道就说不知道。\n上下文：{context}"),
    ("user", "问题：{question}")
])

qa_chain = qa_prompt | model | StrOutputParser()

response = qa_chain.invoke({
    "context": "LangChain是一个用于构建大语言模型应用的框架...",
    "question": "LangChain的主要功能是什么？"
})

6.2 实现多轮对话

python复制from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
chain_with_memory = (
    {"input": lambda x: x["input"], "history": lambda x: x["history"]} 
    | prompt 
    | model 
    | output_parser
)

# 第一轮
response1 = chain_with_memory.invoke(
    {"input": "解释一下Python的生成器"}, 
    config={"memory": memory}
)

# 第二轮（能记住之前的对话）
response2 = chain_with_memory.invoke(
    {"input": "它和迭代器有什么区别？"}, 
    config={"memory": memory}
)

6.3 文档摘要生成

python复制summarize_prompt = ChatPromptTemplate.from_template(
    "用100字左右总结以下文本的核心内容：\n\n{text}"
)

summarize_chain = summarize_prompt | model | StrOutputParser()

summary = summarize_chain.invoke({
    "text": "这里是需要摘要的长篇文章..."
})

在实际项目中，我发现 LangChain 的真正威力在于它的模块化设计。一旦掌握了基础组件的用法，就能像搭积木一样快速构建出各种复杂的 AI 应用。比如最近我做的一个项目，就用 LangChain 实现了从文档加载、文本分割、向量存储到问答检索的完整流程，整个过程只用了不到 200 行代码。

对于刚接触 LangChain 的开发者，我的建议是从小项目开始，先熟悉核心组件的用法，再逐步尝试更复杂的功能。遇到问题时，多查阅官方文档（现在已经有很完善的中文版了），同时关注 LangChain 的 GitHub 仓库，这个项目更新非常活跃，几乎每周都有新功能加入。