过去一年多，大语言模型的浪潮席卷了整个技术领域。我们可能都尝试过直接调用 OpenAI 或其他模型的 API，感受过它神奇的能力。但是，随着项目复杂度提升，你是否也遇到了这些痛点：
- Prompt 管理噩梦？ 你的 Prompt 是硬编码在代码里，还是散落在各个文件中？修改一个 Prompt 需要改动多个地方？
- 上下文处理繁琐？ 如何在多轮对话中优雅地管理历史信息，避免信息丢失或冗余？
- 应用逻辑混乱？ 想让 LLM 完成一个复杂任务（比如先检索文档再总结），代码写出来像一堆“屎山”，流程难以追踪？
- 模型切换成本高？ 如果老板突然说要换个模型提供商，你是不是要改动大量的调用代码？
这些问题，正是 Langchain 框架想要解决的。它不是一个简单的 LLM 调用库，而是一个强大的LLM 应用开发框架。本期我们将深入理解 Langchain 的核心哲学和最基础但至关重要的组件，让你学会如何用结构化的思维，像搭建乐高积木一样，高效、健壮地构建 LLM 应用。
为什么要用 Langchain？
想象一下，你正在开发一个复杂的 LLM 应用，它可能需要：
- 根据用户提问，先从公司内部知识库中检索相关文档。
- 将检索到的文档和用户提问一起作为 Prompt 发送给 LLM。
- LLM 生成答案后，可能需要对答案进行结构化解析（例如提取关键实体）。
- 如果 LLM 无法回答，还需要调用外部工具（如搜索引擎）获取信息。
- 在整个过程中，还要保持对用户对话历史的记忆。
如果完全手写这些逻辑，你会发现代码迅速膨胀，可读性差，更别提维护和协作了。
Langchain 提供的解决方案核心是：模块化与可组合性。
它将 LLM 应用开发中常见的模式和组件进行抽象和封装，提供了一系列“标准件”和“连接器”。
- 模块化 (Modularity)：将 LLM 调用、Prompt 构建、信息检索、内存管理、工具使用等功能，拆分为独立的、可复用的组件。就像把一整块代码拆分成一个个微服务。
- 可组合性 (Composability)：提供灵活的机制（尤其是 Chains 和 LCEL），让你能像搭积木一样，将这些独立的模块串联起来，形成复杂的业务逻辑流。
用一句话概括：Langchain 帮助我们从零散的 LLM API 调用，走向结构化、可维护、可扩展的 LLM 应用开发体系。 这对于团队协作和长期项目维护至关重要。
Langchain 核心模块深度解析与实践
环境准备：
创建并激活虚拟环境：
python -m venv venv # Windows .\venv\Scripts\activate # macOS/Linux source venv/bin/activate安装必要的库：
pip install langchain langchain-openai # Langchain 核心库和 OpenAI 模块设置 OpenAI API Key：
为了运行示例代码，你需要设置你的 OpenAI API 密钥。最安全和推荐的方式是设置为环境变量：
# 在终端中运行，Windows 用户使用 set 而非 export export OPENAI_API_KEY="你的OpenAI API Key"或者在代码中临时设置 (不推荐用于生产环境)：
import os os.environ["OPENAI_API_KEY"] = "你的OpenAI API Key"LLMs & Chat Models：Langchain 的抽象层
作用：LLMs (Language Models) 和 Chat Models (Chat Models) 是 Langchain 中与各种大语言模型进行交互的抽象接口。它们的目标是提供一个统一的 API 表面，无论你后端连接的是 OpenAI、Google Gemini、还是本地部署的 Llama，你的上层应用代码几乎无需改动。
- LLM (旧式接口)：主要用于那些接收一个纯文本字符串作为输入，并返回一个纯文本字符串输出的模型（通常是文本补全任务）。例如，OpenAI 早期的一些 text-davinci-003 模型。在实际开发中，由于主流模型都已转向对话模式，这个接口的使用场景逐渐减少。
- ChatModel (推荐使用)：这是目前主流且更强大的接口。它接收一个 结构化的消息列表 作为输入（由 SystemMessage、HumanMessage、AIMessage 组成），并返回一个 结构化的 AI 消息对象。这完美契合了现代对话型模型的特点，更利于复杂的上下文管理和角色扮演。
核心方法：invoke()
invoke() 是 Langchain 组件的标准同步调用方法。它接收输入，等待组件处理完成后返回结果。
代码示例：
import os from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage, AIMessage # 确保 OPENAI_API_KEY 已设置 print("--- 2.1 LLM 与 Chat Model 接口演示 ---") # 初始化一个 ChatModel - 推荐使用 gpt-3.5-turbo 或 gpt-4 # temperature 控制模型生成文本的随机性，0 表示确定性最高，1 表示创造性最高。 chat_model = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.7) # 场景一：简单的用户提问 print("\n--- 场景一：简单的用户提问 ---") user_query = "你好，请用一句话介绍一下 Langchain。" response = chat_model.invoke([ HumanMessage(content=user_query) ]) print(f"用户提问: {user_query}") print(f"ChatModel 响应: {response.content}") # response 是 AIMessage 对象，内容在 .content 属性中 # 场景二：结合系统消息，为模型设定角色或行为 print("\n--- 场景二：结合系统消息，为模型设定角色或行为 ---") messages_with_system = [ SystemMessage(content="你是一个专业的编程语言导师，擅长简洁明了地解释概念。"), HumanMessage(content="请解释一下 Python 中的装饰器。") ] response_system_role = chat_model.invoke(messages_with_system) print(f"设定角色后 ChatModel 响应: {response_system_role.content}") # 场景三：模拟多轮对话的结构（实际应用中会结合 Memory 模块） print("\n--- 场景三：模拟多轮对话结构 ---") # 这里的 messages 列表代表了对话历史 dialog_history = [ HumanMessage(content="我最喜欢的编程语言是 Python。"), AIMessage(content="Python 是一个非常流行的语言！你喜欢它的哪些特性呢？"), HumanMessage(content="我喜欢它的简洁性和丰富的库生态。") ] response_multi_turn = chat_model.invoke(dialog_history) print(f"ChatModel 响应 (模拟多轮): {response_multi_turn.content}")深入理解：
- 统一接口：无论你将来切换到其他 ChatModel（如 GoogleGenerativeAI），调用 invoke 方法的格式基本不变，极大降低了模型迁移成本。
- 结构化输入输出：ChatModel 接收的是 BaseMessage 列表，这比简单的字符串更容易管理复杂的上下文，比如区分用户说的、AI 说的、系统设定的。
Prompt Templates：Prompt Engineering 的“脚手架”
作用：Prompt Templates (Prompt 模板) 是 Langchain 中用于结构化地构建发送给大语言模型指令（Prompt）的工具。它让你的 Prompt 不再是硬编码的字符串，而是带有变量的模板，实现了 Prompt 的参数化。
核心价值（对于团队开发）：
- Prompt 即代码：将 Prompt 文本从业务逻辑中分离，像配置一样管理。
- 版本控制友好：Prompt 内容的变化可以像代码一样进行版本管理。
- 协作效率：不同团队成员可以独立维护和优化不同的 Prompt 模板。
- 测试性：更容易针对不同输入测试 Prompt 的效果。
- 一致性：确保在不同场景下生成的 Prompt 格式和质量一致。
两种主要类型：
- PromptTemplate：适用于 LLM 类型的模型，它接收字符串变量，最终生成一个纯文本 Prompt 字符串。
- ChatPromptTemplate：强烈推荐 用于 ChatModel 类型模型。它允许你以更细粒度的方式定义 Prompt，包括 SystemMessage（系统指令）、HumanMessage（用户输入）和 AIMessage（AI 回复）的模板。
代码示例：
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate from langchain_core.messages import HumanMessage, SystemMessage print("\n--- 2.2 Prompt Templates 演示 ---") # 1. 使用 PromptTemplate (适用于旧式LLM，了解即可) # 作用：将输入变量填充到模板字符串中 poem_template = PromptTemplate( input_variables=["topic", "style"], template="请给我写一首关于 {topic} 的诗歌，风格是 {style}。", ) # 格式化 Prompt，传入变量 formatted_poem_prompt = poem_template.format(topic="秋天的落叶", style="伤感") print(f"格式化后的 Prompt (PromptTemplate):\n{formatted_poem_prompt}") # 2. 使用 ChatPromptTemplate (推荐，适用于 ChatModel) # 作用：构建结构化的消息列表，每个消息可以有自己的模板 coding_assistant_template = ChatPromptTemplate.from_messages([ SystemMessage(content="你是一个经验丰富的Python程序员，擅长解答编程问题，并给出代码示例。"), HumanMessage(content="请用 {language} 语言，实现一个 {functionality} 的函数。"), ]) # 格式化 ChatPromptTemplate，传入变量，返回一个消息对象列表 messages_for_coding = coding_assistant_template.format_messages( language="Python", functionality="计算斐波那契数列的第 n 项" ) print(f"\n格式化后的 Chat Messages (ChatPromptTemplate):") for msg in messages_for_coding: print(f" {type(msg).__name__}: {msg.content[:50]}...") # 打印部分内容 # 将格式化后的消息发送给 ChatModel # chat_model 在 2.1 节已初始化 response_code = chat_model.invoke(messages_for_coding) print(f"\nChatModel 生成的代码解释:\n{response_code.content[:300]}...") # 打印部分响应 # 另一个更复杂的 ChatPromptTemplate 示例：需要JSON格式输出 json_prompt = ChatPromptTemplate.from_messages([ SystemMessage(content="你是一个数据提取专家，请将用户信息提取为 JSON 格式。"), HumanMessage(content="请从以下文本中提取用户的姓名和年龄：\n\n用户资料：我叫李明，今年28岁。"), HumanMessage(content="请确保输出为严格的 JSON 格式，例如: `{{\"name\": \"\", \"age\": 0}}`") ]) json_messages = json_prompt.format_messages() # 无需额外变量，直接格式化 response_json = chat_model.invoke(json_messages) print(f"\nChatModel 生成的 JSON:\n{response_json.content}")深入理解：
- 模板的本质：Prompt 模板的本质是实现了 BasePromptTemplate 接口的类，它们负责将传入的变量字典转换为模型能理解的输入格式（字符串或 BaseMessage 列表）。
- 参数化 Prompt 的威力：在实际项目中，Prompt 往往非常复杂，包含大量的指示、示例。通过模板化，你可以将这些复杂性封装起来，只暴露需要动态填充的参数，大大降低了业务逻辑代码的耦合度。
LCEL (Langchain Expression Language) & Chains：构建模块化 LLM 流水线
作用：Chains（链）是 Langchain 实现 可组合性 的核心。它允许你将多个 Langchain 组件（如 Prompt Template、LLM、输出解析器、内存管理模块等）像管道一样连接起来，形成一个端到端的逻辑流。
LCEL 的重要性 (Langchain Expression Language)：
在 Langchain 的最新版本中，LCEL 是构建链的首选方式。它是一种声明式的方式，使用简单的 | 管道操作符，让你可以清晰地定义数据如何在组件之间流动。LCEL 提供了：
- 极佳的可读性：数据流向一目了然。
- 强大的灵活性：支持复杂的输入/输出处理、并行执行、分支逻辑等。
- 性能优化：LCEL 组件原生支持异步（ainvoke）和流式传输（stream），提高应用响应速度。
- 易于测试：每个组件都是独立的，方便进行单元测试。
核心操作符：| (管道操作符)
A | B | C 表示将组件 A 的输出作为组件 B 的输入，再将 B 的输出作为 C 的输入。
代码示例：
用户输入一个编程概念 -> 链生成一个关于该概念的 Python 代码示例和简短解释。
from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser # 用于将模型输出解析成字符串 print("\n--- 2.3 LCEL (Chains) 演示 ---") # 1. 定义 Prompt Template code_gen_prompt = ChatPromptTemplate.from_messages([ SystemMessage(content="你是一个专业的 Python 编程助手，擅长清晰地解释概念并提供简洁的代码示例。"), HumanMessage(content="请为我解释并提供一个关于 Python '{concept}' 的代码示例。"), HumanMessage(content="请确保解释和代码都清晰易懂。") ]) # 2. 初始化 Chat Model # chat_model 在 2.1 节已初始化 # 3. 定义输出解析器 # StrOutputParser 会把 ChatModel 返回的 AIMessage 对象中的 .content 部分提取出来 output_parser = StrOutputParser() # 4. 构建 LCEL 链 # 链的输入是一个字典，例如 {"concept": "装饰器"} # 1. `code_gen_prompt` 接收 {"concept": "..."}，生成 Chat Messages 列表 # 2. `chat_model` 接收 Chat Messages 列表，返回 AIMessage 对象 # 3. `output_parser` 接收 AIMessage 对象，解析成纯字符串 code_explanation_chain = code_gen_prompt | chat_model | output_parser # 5. 调用链并传入输入变量 input_concept = "生成器" print(f"正在生成关于 '{input_concept}' 的代码示例和解释...") result = code_explanation_chain.invoke({"concept": input_concept}) print(f"\n链的输出:\n{result}") # 另一个链的例子：先将用户输入转换为英文，再进行解释 from langchain_core.runnables import RunnablePassthrough # 用于传递输入 # 步骤1：翻译 Prompt translate_prompt = ChatPromptTemplate.from_messages([ SystemMessage(content="你是一个专业的翻译家，将用户输入的中文短语翻译成英文。"), HumanMessage(content="请将 '{text}' 翻译成英文。") ]) # 步骤2：英文解释 Prompt explain_prompt = ChatPromptTemplate.from_messages([ SystemMessage(content="你是一个专业词汇解释器，用简洁的英文解释词语。"), HumanMessage(content="请解释一下 '{english_text}' 这个词汇的含义。") ]) # 构建一个更复杂的链： # 1. 接收一个包含 "text" 的字典，例如 {"text": "并行计算"} # 2. 通过 RunnablePassthrough 将 "text" 传给 translate_prompt # 3. translate_chain 翻译中文到英文，其输出是英文文本 # 4. assign() 将翻译结果添加到字典中，键为 "english_text" # 5. explain_prompt 接收 "english_text"，生成解释 Prompt # 6. chat_model 和 output_parser 处理最终的解释 translation_and_explanation_chain = ( {"text": RunnablePassthrough()} # 接收原始输入并传递 | translate_prompt | chat_model | output_parser .assign(english_text=lambda x: x) # 将翻译结果赋值给 english_text 键 | explain_prompt | chat_model | output_parser ) # 注意：上面的 .assign() 只是一个示意，实际复杂的链可能需要更精妙的 RunnableParallel/RunnableMap 来处理多输入 # 这里简化为串行处理，只传递一个主要输入。 # 假设我们需要一个更清晰的多步骤链，来演示输入传递 # Step 1: 翻译 translator_chain = ( translate_prompt | chat_model | output_parser ) # Step 2: 解释 (需要上一步的翻译结果) # 这里的{"english_text": translator_chain} 表示将 translator_chain 的输出作为 english_text 的值 full_pipeline = { "english_text": translator_chain, "original_text": RunnablePassthrough() # 传递原始的 "text" 输入，供后续步骤使用（如果需要） } | explain_prompt | chat_model | output_parser input_text_for_pipeline = "并发编程" print(f"\n正在处理概念：'{input_text_for_pipeline}'") explanation_result = full_pipeline.invoke({"text": input_text_for_pipeline}) print(f"解释结果:\n{explanation_result}")深入理解：
- LCEL ：LCEL 的核心是 Runnable 接口。所有能被 | 连接的组件都实现了这个接口。它们定义了如何接收输入、如何处理、以及如何生成输出。
- 类型匹配：组件之间通过管道连接时，需要确保左侧组件的输出类型与右侧组件的预期输入类型匹配。例如，ChatPromptTemplate 输出的是 BaseMessage 列表，正好是 ChatModel 的输入。
- RunnablePassthrough：这是一个非常有用的 LCEL 组件，它会将输入原封不动地传递下去。在构建需要保留原始输入，或将输入传递给链中多个组件的复杂链时非常有用。
- StrOutputParser：虽然简单，但它扮演着重要的角色。LLM 返回的是一个 AIMessage 对象，而我们通常需要其中的 content 字符串进行后续处理或展示，StrOutputParser 恰好完成了这个转换。
总结
通过本期教程，我们深入探讨了 Langchain 的基础，但却是构建任何 LLM 应用的基石：
- LLMs & Chat Models：作为与大模型交互的统一抽象层，让我们轻松切换模型。
- Prompt Templates：让你的 Prompt 变得可管理、可复用、可协作，是高效 Prompt Engineering 的关键。
- LCEL & Chains：这是 Langchain 的灵魂！它以声明式、可读性极高的方式，将各种组件串联起来，构建出复杂而健壮的 LLM 业务逻辑流水线。
掌握了这些，你已经迈出了 Langchain 开发的第一步，并且对 Langchain 的核心设计理念有了更深的理解。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
