LangChain框架入门：构建大语言模型应用的基础与实践-AI智能范式网

LangChain框架入门：构建大语言模型应用的基础与实践

楚雨馨·2026-08-17·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 14 分钟

1. LangChain基础入门指南

最近在AI应用开发领域，LangChain这个框架越来越火。作为一个专门用于构建大语言模型(LLM)应用的开源框架，它确实解决了不少开发者的痛点。我自己从去年开始使用LangChain开发了几个项目，今天就来分享一下这个框架的基础知识和使用经验。

LangChain本质上是一个将大语言模型与其他工具、数据源连接起来的"胶水"框架。它最大的价值在于提供了标准化的接口和组件，让我们可以快速构建基于LLM的应用程序，而不必每次都从零开始处理各种底层细节。无论是简单的问答系统，还是复杂的多步骤推理应用，LangChain都能提供很好的支持。

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. LangChain核心概念解析

2.1 什么是LangChain

LangChain是一个用于开发由语言模型驱动的应用程序的框架。它主要解决了两大问题：一是将LLM与外部数据源连接，二是允许LLM与外部环境交互。通过提供标准化的接口和组件，LangChain大大简化了构建复杂LLM应用的过程。

2.2 LangChain的核心组件

LangChain主要由以下几个核心组件构成：

模型(Model): 支持多种LLM提供商，如OpenAI、Anthropic等
提示(Prompt): 管理LLM输入的模板和优化
链(Chain): 将多个组件组合成工作流
记忆(Memory): 在多次交互中保持状态
索引(Index): 连接外部数据源
代理(Agent): 动态调用工具和链

2.3 LangChain与其他工具的区别

经常有人问LangChain和LangGraph有什么区别。简单来说，LangGraph是LangChain的一个扩展，专注于构建有状态的、多参与者的应用。它提供了更强大的工作流控制能力，适合构建复杂的多步骤应用。而基础的LangChain更适合构建相对简单的链式应用。

3. LangChain环境配置

3.1 安装LangChain

安装LangChain非常简单，使用pip即可：

bash复制pip install langchain

如果需要使用OpenAI的模型，还需要安装openai包：

bash复制pip install openai

3.2 配置API密钥

大多数LLM服务都需要API密钥。以OpenAI为例，我们需要设置环境变量：

python复制import os
os.environ["OPENAI_API_KEY"] = "你的API密钥"

注意：在实际项目中，建议使用更安全的方式管理API密钥，而不是直接写在代码里。

3.3 选择LangChain版本

目前LangChain有多个版本并存的情况。对于新项目，建议使用最新稳定版。可以通过以下命令检查版本：

bash复制pip show langchain

4. LangChain基础使用

4.1 最简单的链示例

让我们从最简单的链开始。以下代码展示了如何使用LCEL(LangChain Expression Language)创建一个基本链：

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

prompt = ChatPromptTemplate.from_template(
    "用简单易懂的方式解释一下{topic}"
)
model = ChatOpenAI()
output_parser = StrOutputParser()

chain = prompt | model | output_parser

response = chain.invoke({"topic": "量子计算"})
print(response)

这个例子中，我们创建了一个由提示模板、模型和输出解析器组成的简单链。LCEL的管道操作符(|)让链的组合变得非常直观。

4.2 理解链(Chain)的作用

链是LangChain的核心概念之一，它允许我们将多个组件组合成一个可执行的工作流。链的主要作用包括：

标准化接口：所有链都遵循相同的调用约定
组合功能：可以将简单的构建块组合成复杂应用
复用性：构建好的链可以在不同场景重复使用

4.3 使用记忆(Memory)

很多应用需要记住之前的对话内容。LangChain提供了多种记忆实现：

python复制from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "你好！有什么可以帮你的？"})
print(memory.load_memory_variables({}))

5. LangChain进阶应用

5.1 构建RAG应用

RAG(检索增强生成)是LangChain的典型应用场景。以下是一个简单实现：

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

# 加载文档
loader = WebBaseLoader("https://example.com")
docs = loader.load()

# 分割文本
text_splitter = RecursiveCharacterTextSplitter()
documents = text_splitter.split_documents(docs)

# 创建向量存储
db = FAISS.from_documents(documents, OpenAIEmbeddings())

# 检索
retriever = db.as_retriever()
docs = retriever.invoke("查询内容")

5.2 使用代理(Agent)

代理可以动态决定调用哪些工具：

python复制from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain.tools import Tool

def search(query: str) -> str:
    return "搜索结果"

tools = [Tool.from_function(
    func=search,
    name="Search",
    description="用于搜索信息"
)]

agent = create_tool_calling_agent(
    ChatOpenAI(model="gpt-3.5-turbo"),
    tools,
    prompt=None
)

agent_executor = AgentExecutor(agent=agent, tools=tools)
result = agent_executor.invoke({"input": "查找LangChain的最新信息"})

6. 常见问题与解决方案

6.1 模型调用问题

问题：API调用超时或失败
解决方案：

检查网络连接
验证API密钥是否正确
添加重试逻辑：

python复制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):
    return chain.invoke(input)

6.2 性能优化技巧

使用流式响应减少等待时间
对大量文档使用批量处理
合理设置chunk_size和chunk_overlap参数

python复制text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)

6.3 调试技巧

LangChain提供了回调系统帮助调试：

python复制from langchain.callbacks.tracers import ConsoleCallbackHandler

chain.invoke(
    {"topic": "机器学习"},
    config={"callbacks": [ConsoleCallbackHandler()]}
)

7. 项目实践建议

在实际项目中使用LangChain时，我有几点经验分享：

从简单开始：不要一开始就构建复杂链，先验证核心功能
模块化设计：将链拆分为小的可测试单元
版本控制：LangChain更新较快，注意锁定依赖版本
监控：记录链的执行情况和性能指标

对于中小型项目，我通常会这样组织代码结构：

code复制/project
  /chains
    basic.py    # 基础链
    rag.py      # RAG相关链
    agent.py    # 代理配置
  /tools        # 自定义工具
  /memory       # 记忆实现
  main.py       # 主入口

这种结构保持了良好的灵活性，便于后续扩展。