快速入门：什么是 LangChain

1.1 什么是 LangChain

LangChain 是一个用于构建 LLM 应用的框架。它提供了一套工具和抽象，让开发者能够更轻松地创建基于大语言模型的应用。

💡 一句话理解：LangChain = LLM（大脑）+ Chain（流水线）+ Tools（工具）

1.2 为什么需要 LangChain

直接调用 LLM API 看似简单，但当应用变得复杂时，你会遇到各种问题。LangChain 就是为了解决这些问题而生的。

1.3 LangChain 核心架构

LangChain 的架构可以分为三层，从下往上分别是：模型层、框架层和应用层。

1.3.1 模型层（Model Layer）

这是 LangChain 支持的各种大语言模型。根据使用方式，主要分为两类：

• LLMs：通用语言模型，输入文本，输出文本
• Chat Models：对话模型，输入消息列表，输出消息

1.3.2 框架层（Framework Layer）

这是 LangChain 的核心，提供了构建 LLM 应用所需的各种组件：

• Chains：将多个组件串联起来，形成完整的工作流
• Agents：让模型自主决定使用哪些工具
• Memory：管理对话历史和上下文
• Tools：扩展模型能力，如搜索、计算、API调用
• Retrievers：从外部数据源检索相关信息
• Callbacks：钩子函数，用于日志、监控等

1.3.3 应用层（Application Layer）

基于框架层构建的具体应用，如聊天机器人、文档问答系统、数据分析工具等。

1.4 环境搭建（面试也要会！）

面试时面试官可能会问"你本地搭过环境吗"或"用过哪些 LangChain 的包"，这节内容要眼熟。

1.4.1 安装 Python

LangChain 基于 Python 开发，需要 Python 3.8 或更高版本。

python3 --version
# 应该显示 Python 3.8.x 或更高版本

# 使用 venv
python3 -m venv langchain-env
source langchain-env/bin/activate  # macOS/Linux
# langchain-env\Scripts\activate  # Windows

pip install langchain langchain-openai

1.4.2 获取 API Key

要使用 LLM，你需要获取相应的 API Key。以下是常用提供商的获取方式：

1.4.3 配置环境变量

为了安全起见，建议将 API Key 设置为环境变量：

# macOS/Linux
export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxx"

# Windows (PowerShell)
$env:OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxx"

1.5 5 分钟快速开始

让我们通过几个例子，快速体验 LangChain 的用法。

1.5.1 第一个 LangChain 程序

先用 LangChain 调用 OpenAI 的 GPT 模型：

from langchain_openai import ChatOpenAI

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# 调用模型
response = llm.invoke("用一句话解释什么是人工智能")
print(response.content)

1.5.2 使用 Prompt Template

Prompt Template 可以让我们更方便地管理提示词：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位专业的{subject}老师，用通俗易懂的语言解释概念。"),
    ("human", "请解释"{concept}"这个概念")
])

# 生成提示词
messages = prompt.invoke({
    "subject": "计算机",
    "concept": "什么是算法"
})

# 调用模型
response = llm.invoke(messages)
print(response.content)

1.5.3 构建一个简单 Chain

使用 LCEL（LangChain Expression Language）将提示模板和模型串联起来：

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

# 初始化组件
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位专业的{subject}老师。"),
    ("human", "用一句话解释：{topic}")
])
output_parser = StrOutputParser()

# 使用 LCEL 构建链
chain = prompt | llm | output_parser

# 调用链
result = chain.invoke({
    "subject": "物理学",
    "topic": "相对论"
})
print(result)

1.5.4 带对话记忆的聊天

现在让我们加入对话记忆，让模型能够记住之前的对话内容：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 初始化模型和提示
llm = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的助手。"),
    MessagesPlaceholder("history"),
    ("human", "{message}")
])

# 创建链
chain = prompt | llm

# 创建带记忆的链
store = {}  # 简单的内存存储

def get_history(session_id: str):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

chain_with_memory = RunnableWithMessageHistory(
    chain,
    get_history,
    input_messages_key="message",
    history_messages_key="history"
)

# 对话
response1 = chain_with_memory.invoke(
    {"message": "我叫小明"},
    config={"configurable": {"session_id": "user123"}}
)
print(response1.content)  # 很高兴认识你，小明！

response2 = chain_with_memory.invoke(
    {"message": "我叫什么名字？"},
    config={"configurable": {"session_id": "user123"}}
)
print(response2.content)  # 你叫小明！

1.6 本章小结

在这一章中，我们学习了：

• 什么是 LangChain：一个用于构建 LLM 应用的框架，提供了模型、提示、链、代理、记忆和工具等核心组件。
• 为什么需要 LangChain：解决直接调用 LLM API 时的各种问题，如提示词管理、上下文维护、工具调用等。
• LangChain 的三层架构：应用层、框架层（LangChain）和模型层。
• 环境搭建：安装 Python、LangChain 以及获取 API Key。
• 快速开始：使用 LCEL 构建简单的链，以及带记忆的对话。