大模型应用开发实操：LangChain框架初体验（从环境搭建到组件落地）

PeterMap
2 阅读12分钟

大模型应用开发实操：LangChain框架初体验（从环境搭建到组件落地）

在大模型应用开发领域，开发者最常面临的痛点之一，就是如何高效整合各类大模型、处理文档、管理会话记忆，快速搭建复杂的AI应用。市面上大模型种类繁多（如阿里云通义千问、ChatGPT、本地部署模型等），各类工具组件杂乱，单独整合不仅耗时，还容易出现适配问题。

而LangChain的出现，彻底解决了这一难题。作为大模型应用开发的“连接器”，它不开发大模型，却能为各类大模型提供通用接口，将模型调用、提示词优化、文档管理、会话记忆等核心功能组件化，让开发者像搭积木一样，快速组合出符合需求的大模型应用。

本文将从LangChain的核心定位出发，手把手教大家完成环境搭建、核心组件解析、实操代码落地，以及开发过程中的避坑指南，无论是新手还是有经验的开发者，都能快速上手，用LangChain高效开发大模型应用。

一、LangChain核心定位：不造模型，只做“大模型应用连接器”

很多开发者初次接触LangChain时，都会误以为它是一款大模型——其实不然。LangChain由Harrison Chase于2022年10月创建，本质是一个Python第三方库，一个大模型应用开发的“集大成者”。

它的核心理念非常简单：为各类大模型提供通用接口，链接大模型相关的所有组件，简化大模型应用的开发难度。也就是说，无论你使用的是阿里云通义千问、Ollama托管的本地模型，还是其他第三方大模型，都能通过LangChain提供的统一接口快速调用，无需关注不同模型的适配细节。

LangChain的核心价值，在于“降低开发门槛、提升开发效率”：它封装了大模型应用开发全流程的实用API，涵盖提示词优化、模型调用、会话记忆、文档管理、智能体构建等核心功能，让开发者无需从零开发，只需按需调用组件，就能快速搭建出复杂的大模型应用（如智能对话、文档问答、AI智能体等）。

二、LangChain核心包与环境搭建（复制可直接执行）

LangChain的功能的通过多个关联包实现，不同包对应不同的功能场景，其中最常用、最核心的包如下，同时附上完整的环境安装命令，适配Python 3.8+版本，复制到终端即可一键安装，避免开发者踩环境适配的坑。

1. 核心包解析（必装）

  • langchain：核心包，提供LangChain的基础功能和核心组件（如链、提示词模板等），是所有LangChain开发的基础，必须安装。
  • langchain-community：社区支持包，提供了更多第三方模型的调用接口（如阿里云通义千问、百度文心一言等），同时包含大量社区贡献的工具组件，是对接主流大模型的关键。
  • dashscope：阿里云通义千问的Python SDK，配合langchain-community，可实现通义千问系列模型的快速调用，也是本文实操案例的核心依赖。
  • langchain-ollama：Ollama支持包，用于调用Ollama托管部署的本地模型（如Llama 3、Qwen等），适合需要私有化部署的开发场景。
  • langchain-chroma：ChromaDB支持包，用于调用轻量向量数据库ChromaDB，后续开发文档问答类应用时会用到，提前安装可避免后续麻烦。
  • chromadb：轻量向量数据库，操作简单、占用资源少，适合新手快速上手，用于存储文本向量数据。
  • bs4（BeautifulSoup4） ：用于解析HTML文档，后续开发中加载网页类数据源、提取网页文本时会用到。

2. 一键安装命令

# 一键安装所有核心依赖，复制到终端执行即可
pip install langchain langchain-community langchain-ollama langchain-chroma dashscope chromadb bs4 jq

3. 环境验证（新手必做）

安装完成后，可通过以下简单代码验证环境是否搭建成功，同时熟悉LangChain的基础调用逻辑：

# 环境验证代码，无需配置API密钥，直接运行
from langchain_core.prompts import PromptTemplate

# 创建简单的提示词模板
prompt = PromptTemplate(
    input_variables=["topic"],
    template="请用3句话介绍{topic}的核心作用，语言简洁易懂，适合开发者快速了解。"
)

# 生成提示词并输出
formatted_prompt = prompt.format(topic="LangChain")
print(formatted_prompt)

运行后若能正常输出格式化的提示词，说明环境搭建成功；若出现报错，可检查Python版本（需3.8+）或重新执行安装命令。

三、LangChain核心组件详解（实操导向，附原创代码）

LangChain的核心优势在于组件化设计，每个组件对应一个具体的开发场景，开发者可按需组合。下面重点解析最常用的6个核心组件，每个组件都搭配原创实操代码，确保大家能直接复制运行，快速掌握用法。

1. Models组件：统一调用各类大模型

Models组件是LangChain的核心，它提供了统一的接口，支持调用三类大模型，无需修改代码，只需更换参数，就能切换不同模型，彻底解决不同大模型适配的痛点。

三类支持的模型及适用场景：

  • LLMs（大语言模型） ：技术范畴统称，基于Transformer架构，核心能力是理解和生成文本，适合文本生成、摘要、翻译等场景（如通义千问qwen-max）。
  • Chat Models（聊天模型） ：专为对话场景优化的LLMs，支持多轮对话交互，适合智能客服、聊天机器人等场景（如通义千问qwen3-max）。
  • Embeddings Models（嵌入模型） ：将文本转化为向量，用于文本相似度计算、文档检索等场景（如text-embedding-v1）。
实操代码：调用通义千问模型（LLM+Chat模型）

以阿里云通义千问为例，演示两类模型的调用方法，包含API密钥配置、普通调用、流式输出，同时规避硬编码密钥的风险（官方推荐方式）：

import os
# 导入通义千问相关依赖
from langchain_community.llms.tongyi import Tongyi
from langchain_community.chat_models.tongyi import ChatTongyi

# 1. 配置API密钥（官方推荐：通过环境变量传入，避免硬编码）
os.environ["DASHSCOPE_API_KEY"] = "你的阿里云通义千问API-KEY"

# 2. 调用LLM模型（qwen-max，适合文本生成、摘要）
llm = Tongyi(model="qwen-max")
# 普通调用（一次性返回完整结果）
llm_response = llm.invoke("请生成一份LangChain核心组件的开发笔记，简洁实用，适合新手")
print("LLM模型输出：\n", llm_response)

# 3. 调用Chat模型（qwen3-max，适合多轮对话）
chat_model = ChatTongyi(model="qwen3-max")
# 流式输出（逐段返回结果，适合前端展示）
print("\nChat模型流式输出：")
for chunk in chat_model.stream("结合开发场景，介绍LangChain Models组件的核心用法"):
    print(chunk.content, end="", flush=True)

关键说明：API密钥需在阿里云DashScope平台（dashscope.aliyun.com）注册获取，免费额度足够新手实操；模型参数可替换（如qwen-turbo速度快、性价比高，适合测试）。

2. Messages组件：管理多轮对话消息

在对话类应用开发中，需要管理用户消息、AI消息、系统提示，LangChain的Messages组件提供了三种核心消息类型，支持简写和完整写法，简化多轮对话的开发流程。

三种核心消息类型：

  • SystemMessage：指定模型的角色、背景和要求，相当于“给模型定规则”。
  • HumanMessage：用户输入的消息，即需要模型回答的问题或指令。
  • AIMessage：模型输出的消息，用于多轮对话中上下文关联（如记住上一轮回答）。
实操代码：多轮对话消息管理（简写+完整写法）
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

# 初始化Chat模型
chat_model = ChatTongyi(model="qwen3-max")

# 写法1：完整写法（需导入消息类，适合复杂场景）
messages1 = [
    SystemMessage(content="你是一名LangChain开发讲师，回答问题时需结合实操代码，语言简洁，重点突出"),
    HumanMessage(content="讲解Messages组件的三种消息类型，各举一个简单示例"),
    AIMessage(content="1. SystemMessage：指定模型角色，如SystemMessage(content='你是Python开发专家')；2. HumanMessage：用户提问，如HumanMessage(content='如何写Python函数')；3. AIMessage：模型回答，如AIMessage(content='def func(): pass')"),
    HumanMessage(content="把这些示例整合到一段可运行的代码中")
]

# 写法2：简写写法（无需导入消息类，更简洁，推荐日常开发）
messages2 = [
    ("system", "你是一名LangChain开发讲师，回答问题时需结合实操代码，语言简洁，重点突出"),
    ("human", "讲解Messages组件的三种消息类型，各举一个简单示例"),
    ("ai", "1. SystemMessage：指定模型角色，如SystemMessage(content='你是Python开发专家')；2. HumanMessage：用户提问，如HumanMessage(content='如何写Python函数')；3. AIMessage：模型回答，如AIMessage(content='def func(): pass')"),
    ("human", "把这些示例整合到一段可运行的代码中")
]

# 调用模型（流式输出）
print("多轮对话输出：")
for chunk in chat_model.stream(messages2):
    print(chunk.content, end="", flush=True)

3. Prompts组件：优化提示词，提升模型输出质量

提示词（Prompt）是大模型输出质量的关键，LangChain的Prompts组件提供了提示词模板、动态参数替换等功能，避免重复编写提示词，同时让提示词更规范、更具复用性。

实操代码：提示词模板使用（动态参数+多场景复用）
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi

# 1. 基础提示词模板（适合LLM模型，单一参数）
basic_prompt = PromptTemplate(
    input_variables=["component"],
    template="请详细介绍LangChain的{component}组件，包含核心功能、适用场景，无需多余内容，重点突出实操性。"
)
# 动态替换参数
formatted_basic = basic_prompt.format(component="Prompts")
print("基础提示词模板输出：\n", formatted_basic)

# 2. 聊天提示词模板（适合Chat模型，多参数+系统提示）
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是LangChain实操专家，回答需简洁，每部分不超过3句话，重点讲用法"),
    ("human", "请介绍{template_type}提示词模板的用法，结合一个简单示例")
])

# 初始化Chat模型并调用
chat_model = ChatTongyi(model="qwen3-max")
formatted_chat = chat_prompt.format_messages(template_type="ChatPromptTemplate")
response = chat_model.invoke(formatted_chat)
print("\n聊天提示词模板输出：\n", response.content)

4. Chains组件：串联多个组件，实现复杂逻辑

Chains组件是LangChain的“核心连接器”，它能将提示词模板、模型调用、文档检索等多个组件串联起来，形成一个完整的执行流程，无需手动分步调用，简化复杂应用的开发。

实操代码：简单链（提示词模板+Chat模型）
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.chains import LLMChain

# 1. 创建提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名Python开发者，回答需简洁，仅提供代码和关键注释，无需多余解释"),
    ("human", "用LangChain的{component}组件写一个简单示例，实现{function}功能")
])

# 2. 初始化Chat模型
chat_model = ChatTongyi(model="qwen3-max")

# 3. 创建链（串联提示词模板和模型）
chain = LLMChain(prompt=prompt, llm=chat_model)

# 4. 调用链，动态传入参数
response = chain.invoke({
    "component": "LLMChain",
    "function": "接收用户输入，生成对应的LangChain代码示例"
})

print("Chain组件输出：\n", response["text"])

5. History组件：管理会话记忆，实现多轮对话连贯

在多轮对话场景中，模型需要记住上一轮的对话内容，才能实现连贯回答。LangChain的History组件提供了会话记忆管理功能，无需手动存储对话记录，自动关联上下文。

6. Indexes组件：管理文档，支撑文档问答

Indexes组件主要用于处理各类文档（PDF、Word、HTML等），实现文本提取、分割、向量化，为文档问答、检索类应用提供支撑，后续结合ChromaDB可快速实现简单的文档问答功能。

四、LangChain开发避坑指南（新手必看）

结合实操经验，整理了4个新手最容易踩的坑，附上解决方案，帮助大家少走弯路：

  1. 坑1：API密钥配置错误 - 报错提示“API-KEY无效”，解决方案：确认API密钥复制完整，在阿里云DashScope平台开通通义千问服务，通过环境变量传入密钥，避免硬编码。
  2. 坑2：模型名称写错 - 报错提示“模型不存在”，解决方案：通义千问常用模型名称（qwen-turbo、qwen-plus、qwen-max、qwen3-max），区分LLM和Chat模型，避免混淆。
  3. 坑3：组件调用方式错误 - 报错提示“没有该方法”，解决方案：LangChain 1.0版本后，统一使用invoke（一次性输出）和stream（流式输出）方法，废弃了旧版本的call方法。
  4. 坑4：环境依赖缺失 - 报错提示“No module named 'xxx'”，解决方案：重新执行本文提供的一键安装命令，确保所有核心包都已安装，若仍报错，可单独安装缺失的包（pip install 缺失包名）。

五、总结：LangChain的核心价值与后续应用

LangChain的核心不是“造模型”，而是“简化大模型应用开发”——它通过组件化设计，将大模型应用开发的复杂流程拆解为一个个可复用的组件，让开发者无需关注底层适配，只需聚焦业务场景，快速组合组件就能落地应用。

本文讲解的核心包、组件用法和实操代码，覆盖了LangChain开发的基础场景，后续我们还可以基于这些组件，实现更复杂的应用：

  • 结合Indexes组件和ChromaDB，开发文档问答应用；
  • 结合Agent组件，开发具备自主决策能力的AI智能体；
  • 结合Ollama支持包，实现本地模型的私有化部署与调用。

对于大模型应用开发者而言，LangChain是提升开发效率的“必备工具”，掌握它的核心组件和用法，能让你在大模型应用开发中少走弯路，快速实现从“想法”到“落地”的跨越。

avatar
文章
阅读
粉丝