LangChain 框架 | 精简+案例版

目录

一、LangChain 框架基础

1.1 LLM 与 Chat Model 核心区别

1.2 LangChain 框架定位

二、6 大实战案例手把手教学

环境前置

实战 1：Chat Model 基础对话调用

实战 2：提示模板复用（ChatPromptTemplate）

实战 3：少样本提示（FewShotChatMessagePromptTemplate）

实战 4：列表输出解析（CommaSeparatedListOutputParser）

实战 5：结构化信息提取（PydanticOutputParser）

实战 6：LCEL 链式调用（核心最佳实践）

三、实战总结

一、LangChain 框架基础

1.1 LLM 与 Chat Model 核心区别

LLM（大语言模型）：本质是 Transformer 解码器架构的生成式模型，核心逻辑是根据上文 token 预测下一个 token，仅支持单轮文本生成，无原生上下文记忆，直接调用 API 为独立单次交互。

Chat Model（聊天模型）：是 LLM 的场景化优化版本，像豆包、通义千问等对话产品均属此类，具备上下文记忆能力，输入为结构化角色消息（系统 / 用户 / AI 消息），适配多轮对话场景。

1.2 LangChain 框架定位

LangChain 并非新的大模型，而是LLM 应用开发的标准化框架，将「模型调用、提示词编写、输出解析、流程串联」等复杂操作拆分为即插即用组件，无需从零开发，直接解决几大开发痛点：

二、6 大实战案例手把手教学

环境前置

命令行窗口执行：

# 核心依赖安装
pip install langchain-openai
# 配置环境变量（推荐，避免密钥硬编码）
# Windows：set DASHSCOPE_API_KEY=你的阿里云API密钥
# Mac/Linux：export DASHSCOPE_API_KEY=你的阿里云API密钥

实战 1：Chat Model 基础对话调用

目标：掌握 LangChain 调用聊天模型的基础流程，理解角色消息格式

代码：

from langchain_openai import ChatOpenAI
from langchain.schema.messages import HumanMessage, SystemMessage
import os

# 初始化通义千问（OpenAI兼容接口）
model = ChatOpenAI(
model="qwen-plus",
openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
temperature=1.2,
max_tokens=300
)

# 构造角色化对话消息
messages = [
SystemMessage(content="作为数学课助教，用通俗语言解释数学原理"),
HumanMessage(content="什么是勾股定理？"),
]

# 调用并输出
response = model.invoke(messages)
print(response.content)

结果：

核心知识点：Chat Model 输入为角色化消息列表，SystemMessage定义模型行为，HumanMessage为用户输入。

实战 2：提示模板复用（ChatPromptTemplate）

目标：解决重复写提示词问题，实现动态参数替换与批量调用

代码：

from langchain.prompts import (
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
ChatPromptTemplate
)
from langchain_openai import ChatOpenAI
import os

# 1. 单独定义提示模板
system_template = SystemMessagePromptTemplate.from_template(
"你是专业翻译，将{input_language}译为{output_language}，按{style}输出，仅返回译文"
)
human_template = HumanMessagePromptTemplate.from_template(
"文本：{text}"
)

# 2. 可以直接把1的单独定义整合为统一提示模板
prompt_template = ChatPromptTemplate.from_messages([
("system", "你是专业翻译，将{input_language}译为{output_language}，按{style}输出，仅返回译文"),
("human", "文本：{text}")
])

# 3. 初始化模型
model = ChatOpenAI(
model="qwen-plus",
openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 4. 批量调用
batch_inputs = [
{"input_language":"汉语","output_language":"汉语","text":"勿以善小而不为","style":"白话文"},
{"input_language":"法语","output_language":"英语","text":"Je suis désolé","style":"古英语"}
]

for item in batch_inputs:
res = model.invoke(prompt_template.invoke(item))
print(res.content)

结果：

核心知识点：ChatPromptTemplate支持参数化提示词，整合多角色消息，大幅提升提示复用率。

实战 3：少样本提示（FewShotChatMessagePromptTemplate）

目标：通过少量示例引导模型固定输出格式，无需冗长提示词

代码：

from langchain_openai import ChatOpenAI
from langchain.prompts import FewShotChatMessagePromptTemplate, ChatPromptTemplate
import os

# 1. 定义示例格式
example_prompt = ChatPromptTemplate.from_messages([
("human", "格式化客户信息：\\n姓名->{name}\\n年龄->{age}\\n城市->{city}"),
("ai", "##客户信息\\n-姓名：{f_name}\\n-年龄：{f_age}\\n-地址：{f_addr}")
])

# 2. 少样本示例数据
examples = [
{"name":"张三","age":"27","city":"长沙","f_name":"张三","f_age":"27岁","f_addr":"湖南省长沙市"},
{"name":"李四","age":"42","city":"广州","f_name":"李四","f_age":"42岁","f_addr":"广东省广州市"}
]

# 3. 构建少样本提示
few_shot_prompt = FewShotChatMessagePromptTemplate(
example_prompt=example_prompt,
examples=examples
)

# 4. 最终提示
final_prompt = ChatPromptTemplate.from_messages([
few_shot_prompt,
("human", "{input}")
])

# 5. 调用模型
model = ChatOpenAI(
model="qwen-plus",
openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
temperature=0.1
)

res = model.invoke(final_prompt.invoke({"input":"格式化：姓名->王五，年龄->31，城市->郑州"}))
print(res.content)

结果：

核心知识点：少样本提示用少量示例替代长提示，temperature=0.1保证输出格式稳定。

实战 4：列表输出解析（CommaSeparatedListOutputParser）

目标：将模型文本输出转为 Python 列表，解决格式混乱问题

第三方库：  

• ChatOpenAI：LangChain 封装的 OpenAI 风格聊天模型类（这里兼容阿里云通义千问的 API 格式），用于调用大模型。
• CommaSeparatedListOutputParser：逗号分隔列表解析器，能把模型返回的「A,B,C」格式文本转换成 Python 列表 [A,B,C]。
• ChatPromptTemplate：LangChain 的聊天型提示模板，用于构建结构化的对话提示（区分系统 / 人类角色）。
• os：用于读取环境变量中的 API 密钥（避免硬编码密钥，更安全）。

代码：

from langchain_openai import ChatOpenAI
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import ChatPromptTemplate
import os

# 1. 初始化解析器
parser = CommaSeparatedListOutputParser()
parser_instr = parser.get_format_instructions()

# 2. 提示模板
prompt = ChatPromptTemplate.from_messages([
("system", "{parser_instr}"),
("human", "列出5个{subject}汽车品牌")
])

# 3. 模型调用
model = ChatOpenAI(
model="qwen-plus",
openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 4. 解析输出
raw_res = model.invoke(prompt.invoke({"subject":"中国","parser_instr":parser_instr}))
print(raw_res)
parsed_res = parser.invoke(raw_res)
print("解析后列表：", parsed_res)

注释：

• parser = CommaSeparatedListOutputParser()：创建解析器实例，核心作用是标准化模型输出格式，确保后续能把文本转成列表。
• parser_instr = parser.get_format_instructions()：获取解析器的「格式说明指令」（比如："请将输出格式化为逗号分隔的列表，例如：苹果,香蕉,橙子"），这行指令会传给模型，强制模型按逗号分隔的格式输出，方便后续解析。

ChatPromptTemplate.from_messages()：按「角色 – 内容」的格式构建提示模板，模拟真实的对话场景：

• ("system", "{parser_instr}")：系统角色，传入解析器的格式说明，告诉模型「必须按逗号分隔列表输出」。
• ("human", "列出5个{subject}汽车品牌")：人类用户的提问，{subject} 是占位符（后续会传入「中国」「德国」等具体值）。

结果：

核心知识点：解析器自动将文本转为 Python 数据结构，无需手动字符串处理。

实战 5：结构化信息提取（PydanticOutputParser）

目标：自定义数据结构，精准提取多字段、多类型结构化信息，可以理解成Python的字典类型

第三方库：  

• from typing import List：导入列表类型注解，用于定义「题材」字段的类型（支持多个题材，如 ["喜剧", "悬疑"]）。
• PydanticOutputParser：LangChain 专为 Pydantic 模型设计的输出解析器，能把模型返回的文本转换成 Pydantic 对象（强类型，可直接通过属性调用）。
• ChatPromptTemplate：构建结构化的聊天提示模板，区分系统 / 人类角色。
• BaseModel, Field：Pydantic 的核心类 ——BaseModel 是自定义数据模型的基类，Field 用于给字段添加描述、示例，帮助大模型理解要输出的内容。
• ChatOpenAI：兼容 OpenAI API 格式的模型调用类（这里用于调用阿里云通义千问）。

代码：

from typing import List
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import ChatPromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_openai import ChatOpenAI
import os

# 1. 定义结构化数据模型
class FilmInfo(BaseModel):
film_name: str = Field(description="电影名", example="唐人街探案")
director: str = Field(description="导演", example="陈思诚")
genres: List[str] = Field(description="题材", example=["喜剧"])

# 2. 初始化解析器
parser = PydanticOutputParser(pydantic_object=FilmInfo)

# 3. 提示模板
prompt = ChatPromptTemplate.from_messages([
("system", "{parser_instr} 输出使用中文"),
("human", "从概述提取电影名、导演、题材：###{text}###")
])

# 4. 调用&解析
model = ChatOpenAI(
model="qwen-plus",
openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

text = """《唐人街探案》由陈思诚执导，是喜剧题材电影"""
res = model.invoke(prompt.invoke({
"text":text,
"parser_instr":parser.get_format_instructions()
}))

result = parser.invoke(res)
print(result)
print("电影名：", result.film_name)
print("题材：", result.genres)

注释：

• class FilmInfo(BaseModel)：自定义一个 Pydantic 数据模型，继承 BaseModel，定义要提取的三个核心字段：
  • film_name: str：字符串类型，存储电影名；Field(description="电影名", example="唐人街探案") 给大模型提供「字段含义 + 示例」，让模型更精准输出。
  • director: str：字符串类型，存储导演名。
  • genres: List[str]：列表类型（支持多个题材），存储电影题材；示例 ["喜剧"] 告诉模型要输出列表格式。
• Pydantic 对象本质是 基于 Pydantic 库的 BaseModel 自定义类创建的实例，可以把它理解成：带 “严格说明书” 的结构化数据容器 —— 它不仅能存储数据，还会自动校验数据的类型和格式是否符合你定义的规则，且支持通过「对象。属性」的方式便捷访问数据。

结果：

核心知识点：BaseModel定义输出规范，解析器自动校验数据类型，支持复杂结构化提取。

实战 6：LCEL 链式调用（核心最佳实践）

目标：用管道符|串联组件，极简代码实现全流程调用

代码：

from langchain_openai import ChatOpenAI
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import ChatPromptTemplate
import os

# 1. 定义组件
prompt = ChatPromptTemplate.from_messages([
("system", "{parser_instr}"),
("human", "列出5个{subject}汽车品牌")
])
parser = CommaSeparatedListOutputParser()
model = ChatOpenAI(
model="qwen-plus",
openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 2. LCEL链式串联（核心）
chain = prompt | model | parser

# 3. 一键调用
res = chain.invoke({
"subject":"中国",
"parser_instr":parser.get_format_instructions()
})
print(res)

结果：

核心知识点：LCEL 用|定义数据流向，提示→模型→解析一步到位，代码极简、可复用性拉满。

三、实战总结

本文所有代码可直接运行，适配国内通义千问模型，替换model与 API 配置即可兼容 ChatGPT、Ollama 等模型，快速落地各类 LLM 应用。