LangChain框架快速入门：构建大语言模型应用-AI智能范式网

LangChain框架快速入门：构建大语言模型应用

篷汎山·2026-08-21·阅读 22 GEO检测（免费）

LangChain大语言模型LLM应用开发

|难度：普通|阅读约 18 分钟

1. LangChain 入门：快速构建大语言模型应用

作为一名长期从事AI应用开发的工程师，我最近在多个项目中使用了LangChain框架，它确实大幅提升了我们与大语言模型(LLM)集成的效率。今天我就来分享如何用LangChain快速搭建一个可用的LLM应用，以通义千问(Qwen)为例进行演示。

LangChain的核心价值在于它提供了一套标准化的组件和连接方式，让我们可以像搭积木一样构建LLM应用。不同于直接调用API，LangChain通过"链(Chain)"的概念将提示词构建、模型调用、输出解析等环节串联起来，既保持了灵活性又降低了开发复杂度。

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

首先确保你的Python环境是3.8或更高版本。我推荐使用conda或venv创建独立的Python环境：

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LangChain核心库

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

bash复制pip install langchain langchain-community

根据你要使用的模型，还需要安装对应的集成包。以通义千问为例：

bash复制pip install langchain-qwq

其他常用模型的安装命令：

bash复制# OpenAI
pip install langchain-openai

# Hugging Face
pip install langchain-huggingface

# Anthropic Claude
pip install langchain-anthropic

提示：生产环境中建议使用requirements.txt或poetry管理依赖，避免版本冲突。

3. 构建第一个LangChain应用

3.1 获取API密钥

使用通义千问需要先在阿里云DashScope平台获取API Key。注册后可以在控制台找到：

python复制import os
os.environ["DASHSCOPE_API_KEY"] = "你的API_KEY"

3.2 初始化模型

LangChain为不同模型提供了统一的接口。初始化千问模型很简单：

python复制from langchain_community.chat_models.tongyi import ChatTongyi

model = ChatTongyi(
    model="qwen-plus",  # 也可用"qwen-turbo"等
    temperature=0.7,    # 控制创造性，0-1之间
    top_p=0.9          # 采样参数
)

关键参数说明：

model: 指定模型版本，不同版本在性能和价格上有差异
temperature: 值越高输出越随机有创意，越低越确定保守
top_p: 核采样参数，控制生成多样性

3.3 构建提示模板

LangChain的ChatPromptTemplate让提示词管理更规范：

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}。")
])

这个模板定义了两个角色：

system: 设定AI的角色和专业背景
user: 用户实际提问内容

{topic}和{concept}是占位符，实际调用时会动态替换。

3.4 创建处理链

LangChain的核心抽象就是"链(Chain)"，将各组件连接起来：

python复制from langchain_core.output_parsers import StrOutputParser

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

这个管道的工作流程是：

输入数据填充提示模板
完整提示发送给模型
原始输出解析为字符串

3.5 调用模型

有两种主要调用方式：

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的场景，比如聊天应用。

4. 核心组件深度解析

4.1 提示模板详解

LangChain的提示模板支持多种消息角色：

角色	类名	用途说明
system	SystemMessage	设定AI角色和行为准则
user	HumanMessage	用户实际提问内容
ai	AIMessage	模型之前的回复(多轮对话用)
function	FunctionMessage	函数调用相关消息

多轮对话示例：

python复制from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是一个专业的技术顾问"),
    HumanMessage(content="Python中的装饰器是什么？"),
    AIMessage(content="装饰器是用来修改函数行为的特殊语法。"),
    HumanMessage(content="能举个实际例子吗？")
])

4.2 模型调用参数调优

不同模型支持的参数略有差异，但常见的有：

python复制model = ChatTongyi(
    model="qwen-plus",
    temperature=0.7,      # 创造性(0-1)
    top_p=0.9,           # 多样性控制
    max_tokens=1024,     # 最大输出长度
    frequency_penalty=0, # 重复惩罚(-2到2)
    presence_penalty=0   # 话题新颖度(-2到2)
)

实践建议：对于技术问答，temperature建议0.3-0.7；创意写作可以0.8以上。

4.3 输出解析器

除了StrOutputParser，LangChain还提供多种解析器：

JSONOutputParser: 解析JSON格式输出
XMLOutputParser: 解析XML格式
CommaSeparatedListOutputParser: 解析逗号分隔列表
自定义解析器：继承BaseOutputParser

JSON解析示例：

python复制from langchain_core.output_parsers import JSONOutputParser

parser = JSONOutputParser()
chain = prompt | model | parser

response = chain.invoke({
    "topic": "编程",
    "concept": "REST API"
})  # 返回字典而非字符串

5. 实战技巧与问题排查

5.1 性能优化建议

批量处理：使用batch()同时处理多个输入

python复制inputs = [
    {"topic": "Python", "concept": "生成器"},
    {"topic": "AI", "concept": "Transformer"}
]
responses = chain.batch(inputs)

异步调用：对于Web应用使用ainvoke

python复制response = await chain.ainvoke(...)

缓存：对相同输入缓存结果

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

set_llm_cache(InMemoryCache())

5.2 常见错误排查

问题1：API密钥无效

检查环境变量名是否正确
确认密钥未过期
验证API服务区域

问题2：模型返回意外内容

检查temperature是否过高
验证提示模板是否清晰
添加更具体的系统提示

问题3：输出解析失败

确保选择了正确的解析器
让模型返回更结构化的响应
添加输出格式指令到提示词

5.3 生产环境最佳实践

错误处理：

python复制from tenacity import retry, stop_after_attempt

@retry(stop=stop_after_attempt(3))
def safe_invoke(chain, input):
    try:
        return chain.invoke(input)
    except Exception as e:
        log_error(e)
        return "服务暂时不可用"

监控：记录调用指标

延迟
令牌使用量
成功率

限流：避免突发流量

python复制from langchain.adapters.openai import TokenBucket

limiter = TokenBucket(rate=5)  # 5次/秒
chain = limiter | prompt | model | parser

6. 扩展应用场景

6.1 文档问答系统

结合文档加载器和向量数据库：

python复制from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings

loader = WebBaseLoader("https://example.com/doc")
docs = loader.load()

embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(docs, embeddings)

retriever = db.as_retriever()
qa_chain = create_qa_chain(model, retriever)

6.2 智能客服机器人

实现多轮对话记忆：

python复制from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
chain = (
    {"input": lambda x: x["input"], 
     "history": lambda x: memory.load_memory_variables(x)["history"]}
    | prompt
    | model
    | parser
)

response = chain.invoke({"input": "什么是Python装饰器？"})
memory.save_context({"input": "什么是Python装饰器？"}, {"output": response})

6.3 数据分析助手

让LLM生成和执行代码：

python复制from langchain_experimental.agents import create_pandas_dataframe_agent
import pandas as pd

df = pd.read_csv("data.csv")
agent = create_pandas_dataframe_agent(model, df)

response = agent.invoke("哪个产品的销售额最高？")

在实际项目中，LangChain的这些组件可以灵活组合。我最近在一个客户项目中，就用检索链(RAG)配合自定义提示模板，将客服响应准确率提升了40%。关键是要理解每个组件的职责，然后像搭积木一样构建适合自己业务的解决方案。