LangChain入门：快速构建大语言模型应用-AI智能范式网

LangChain入门：快速构建大语言模型应用

eagerworks·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：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，我发现LangChain正在成为连接大语言模型(LLM)与实际业务场景的桥梁。这个框架通过标准化的组件和流程设计，让开发者能够快速搭建基于LLM的应用程序，而无需重复造轮子。

LangChain的核心价值在于它解决了LLM应用开发中的几个关键痛点：

提供了丰富的Prompt模板库，避免每次从零开始设计提示词
标准化了与不同LLM的交互接口，实现"一次编写，多模型运行"
通过Chain机制将复杂流程模块化，提升开发效率和可维护性

下面我将从实际开发角度，带你快速掌握LangChain的核心用法。即使你之前没有接触过这个框架，按照本文的步骤也能在30分钟内搭建起第一个可运行的LLM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. 环境配置与工具选型

2.1 基础环境准备

在开始前，确保你的开发环境满足以下条件：

Python 3.8或更高版本（推荐3.10+）
pip包管理工具已更新到最新版
能够访问互联网以下载依赖包

提示：建议使用虚拟环境（如venv或conda）隔离项目依赖，避免包冲突。可以通过python -m venv langchain-env创建专用环境。

2.2 核心组件安装

LangChain采用模块化设计，基础包只包含核心功能，特定模型的连接器需要单独安装。执行以下命令安装基础组件：

bash复制pip install langchain langchain-community

根据你要使用的LLM提供商，选择安装对应的集成包：

bash复制# 使用OpenAI的模型（如GPT-4）
pip install langchain-openai

# 使用Hugging Face的模型
pip install langchain-huggingface

# 使用阿里云通义千问
pip install langchain-qwq

注意：不同模型提供商可能需要额外的认证配置。例如OpenAI需要API Key，Hugging Face可能需要Hugging Face Token。确保提前在对应平台申请好访问凭证。

3. 第一个LangChain应用实战

3.1 模型初始化与认证

以阿里云通义千问为例，首先需要设置API密钥。最佳实践是将敏感信息存储在环境变量中，而不是硬编码在代码里：

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

# 从环境变量读取API密钥
os.environ["DASHSCOPE_API_KEY"] = "your_api_key_here" 

# 初始化模型实例
model = ChatTongyi(
    model="qwen-plus",  # 指定模型版本
    temperature=0.7,    # 控制生成结果的随机性
    top_p=0.9          # 核采样参数，影响生成多样性
)

参数说明：

temperature：值越高结果越随机（0~1），适合创意任务；值越低结果越确定，适合事实性回答
top_p：仅考虑概率累积在前p%的词，平衡生成质量与多样性

3.2 构建Prompt模板

LangChain提供了强大的Prompt模板系统，支持动态变量和角色定义：

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。回答时需满足以下要求：\n"
               "1. 使用中文回答\n"
               "2. 保持专业但易懂的风格\n"
               "3. 严格控制在三句话内"),
    ("user", "请解释什么是{concept}？")
])

角色系统详解：

system：设定AI的角色和行为准则，对整个对话起指导作用
user：用户实际提问内容，会被直接发送给模型处理
ai：在连续对话中记录模型之前的回复，用于维持上下文

3.3 创建处理链(Chain)

Chain是LangChain的核心抽象，将多个处理步骤串联成可复用的流水线：

python复制from langchain_core.output_parsers import StrOutputParser

# 构建处理链：模板填充 -> 模型调用 -> 结果解析
chain = prompt | model | StrOutputParser()

这个简单的链完成了三个关键操作：

将输入变量注入Prompt模板
将完整Prompt发送给LLM
将模型输出解析为纯文本

3.4 调用与结果处理

LangChain支持多种调用方式，适应不同场景需求：

同步调用（获取完整响应）

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

流式输出（逐字显示）

python复制for chunk in chain.stream({
    "topic": "机器学习", 
    "concept": "随机森林"
}):
    print(chunk, end="", flush=True)

流式输出特别适合需要实时展示生成过程的场景，如聊天应用。

4. 核心组件深度解析

4.1 模型封装层详解

LangChain通过统一的接口封装了不同提供商的模型，主要分为两类：

聊天模型（ChatModel）：面向对话场景，保留角色信息
大语言模型（LLM）：基础文本生成，不区分角色

常见模型初始化参数对比：

参数	说明	推荐值	适用场景
model_name	模型标识	如"gpt-4"	所有场景
temperature	创造性	0.3-0.7	平衡创意与准确
max_tokens	最大生成长度	512	控制响应篇幅
top_k	候选词数量	50	影响多样性
frequency_penalty	重复惩罚	0.5	减少重复内容

4.2 Prompt工程最佳实践

有效的Prompt设计是LLM应用成功的关键。LangChain模板支持多种高级特性：

多变量模板

python复制template = """根据以下信息回答问题：
产品名称：{product}
用户评价：{reviews}

问题：{question}"""

少量示例提示(Few-shot)

python复制from langchain_core.prompts import FewShotChatMessagePromptTemplate

examples = [
    {"input": "2+2", "output": "4"},
    {"input": "5*3", "output": "15"}
]

example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{input}"),
    ("ai", "{output}")
])

few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=example_prompt
)

4.3 输出解析策略

除了基础的StrOutputParser，LangChain还提供多种解析器：

JSON解析器：将输出转换为结构化JSON
正则解析器：用正则表达式提取特定内容
组合解析器：处理多部分复杂输出

示例：解析JSON响应

python复制from langchain_core.output_parsers import JsonOutputParser

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

5. 实战技巧与问题排查

5.1 性能优化建议

批量处理：对多个输入使用batch代替循环调用

python复制responses = chain.batch([
    {"topic": "Python", "concept": "装饰器"},
    {"topic": "Go", "concept": "协程"}
])

缓存策略：对相同输入缓存结果，减少API调用

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

set_llm_cache(InMemoryCache())

超时控制：避免长时间等待无响应

python复制model = ChatTongyi(..., request_timeout=30)

5.2 常见错误排查

问题1：API认证失败

检查环境变量名是否正确
确认API密钥未过期
验证服务区域设置（某些云服务需要）

问题2：模板变量不匹配

确保所有{}内的变量都在调用时提供
使用prompt.format()测试模板填充

问题3：输出解析失败

尝试先用StrOutputParser获取原始响应
对于JSON输出，检查是否符合标准格式

5.3 安全注意事项

永远不要将API密钥提交到代码仓库
对用户输入进行适当的清理和过滤
设置合理的用量限制，避免意外高额账单
敏感数据不应通过第三方模型处理

6. 进阶应用方向

掌握了基础用法后，你可以进一步探索LangChain的更多能力：

记忆(Memory)机制：实现多轮对话上下文保持
工具(Tools)集成：让LLM能够调用外部API和函数
代理(Agents)系统：构建自主决策的AI工作流
文档问答：基于自有知识库构建智能问答系统

每个方向都有对应的模块和最佳实践，建议从官方文档开始，逐步深入。我在实际项目中发现，合理组合这些高级功能，可以构建出非常强大的企业级AI应用。