LangChain 使用教程

LangChain 是最流行的大语言模型应用开发框架，提供链式调用、代理工具和数据连接器等丰富组件，可用于构建 AI 写作助手、文本摘要、内容生成等各类 LLM 应用。 快速开始 1. 安装 LangChain：pip install langchain langchain-openai，确保 Python 版本 3.8 以上。 2. 获取 OpenAI API Key，在环境变量中设置：export OPENAI_API_KEY=your-api-key。 3. 创建第一个应用，新建 app.py 文件，写入基础代码即可运行。推荐使用 Jupyter Notebook 进行交互式开发和调试。 核心功能演示 功能一：链式调用（Chain） 链式调用是 LangChain 的核心概念。以文本摘要为例，先创建提示词模板：from langchain.prompts import PromptTemplate，定义摘要模板。然后创建 LLMChain，将提示词模板和模型串联。调用 chain.run() 传入长文本，即可获得结构化的摘要结果。链式调用支持多级串联，前一步的输出自动作为后一步的输入。 功能二：文档加载与检索 使用 DocumentLoader 加载各类文档，支持 PDF、网页、数据库等多种数据源。加载后通过 TextSplitter 将文档切分为适当大小的片段，再用 Embedding 模型将文本转为向量存入向量数据库（如 FAISS、Chroma）。查询时先检索最相关的文档片段，再交给 LLM 生成回答，这就是 RAG 的基本流程。 功能三：代理（Agent） Agent 让 LLM 具备使用工具的能力。定义一组工具如搜索引擎、计算器、数据库查询等，创建 Agent 时将工具列表传入。当用户提问时，Agent 会自主决定调用哪些工具、以什么顺序执行，最终综合所有信息给出回答。适合构建需要多步推理和外部数据访问的智能应用。 实际使用案例 场景一：智能客服系统 用 LangChain 构建企业客服机器人，将产品文档和 FAQ 加载到向量数据库。用户提问时先检索相关文档，再由 LLM 生成自然语言回答。结合 Agent 功能，机器人还能查询订单状态、发起工单等操作，实现端到端的客服自动化。 场景二：内容创作助手 搭建写作辅助工具，输入主题关键词后自动搜索相关素材，通过链式调用依次完成大纲生成、段落撰写和润色修改。支持自定义写作风格和输出格式，帮助内容创作者提升产出效率。 常见问题 FAQ Q：LangChain 只支持 OpenAI 吗？ A：不是，LangChain 支持几乎所有主流 LLM 提供商，包括 Anthropic、Google、Hugging Face、本地模型等。通过统一的接口抽象，切换模型只需更改几行代码，业务逻辑无需修改。 Q：调用速度慢怎么优化？ A：使用流式输出（Streaming）提升首字响应速度；对重复查询启用缓存；将复杂任务拆分为并行子任务；减少不必要的链式调用层数。生产环境建议使用异步调用提升并发性能。 小贴士 1. 先用 LCEL 语法：LangChain 推荐使用 LCEL（LangChain Expression Language）构建链，语法更简洁，支持流式和批处理，比传统的 Chain 类更灵活高效。 2. 调试时开启 verbose 模式：在链或 Agent 中设置 verbose=True，可以看到每一步的输入输出和中间推理过程，快速定位问题所在。 3. 善用社区模板：LangChain Hub 提供大量现成的提示词模板和应用模板，新手可以直接复用并在此基础上修改，避免从零开始搭建。