LangChain怎么用？一文带你搞懂核心组件与代码

摘要：LangChain是Python中用于封装大模型功能的框架，可极大简化开发流程。本文基于LangChain 0.3版本，系统讲解模型调用、多轮对话、输出格式控制以及四种Prompt模板的使用方法，每个知识点均配有完整可运行代码示例。适合大模型应用开发初学者快速上手。

目录

1. LangChain概述与核心组件

LangChain是一个Python框架，将大模型常用功能封装到一起，集成多种工具，让开发者可以更快捷地构建AI应用。当前最新版本为LangChain 0.3。

核心组件共五个：

2. 语言模型基础调用

2.1 环境准备

pip install langchain-openai

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"
# 如需代理可设置
# os.environ["HTTP_PROXY"] = "…"

2.2 基础调用代码

from langchain_openai import ChatOpenAI

# 创建模型实例，默认使用GPT-3.5
llm = ChatOpenAI()

# 调用模型
result = llm.invoke("你是谁")
print(result.content)

2.3 查看和切换模型

# 打印当前使用的模型名称
print(llm.model_name) # 默认输出 gpt-3.5-turbo

# 切换模型
llm = ChatOpenAI(model_name="gpt-4o")

每次调用消耗的token数量因模型而异，GPT-4系列消耗更多。

3. 多轮对话场景模拟

通过设置系统角色、用户角色和AI角色，模拟特定对话场景。

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

messages = [
SystemMessage(content="你是AGI课堂的课程助理，你的名字叫Bob"),
HumanMessage(content="我是学员Tom"),
AIMessage(content="欢迎Tom同学，有什么可以帮助你的？"),
HumanMessage(content="我是谁？你是谁？")
]

result = llm.invoke(messages)
print(result.content)

此方法用于调试AI在特定对话场景中的表现，优化对话流程。

4. 输出格式控制

LangChain提供多种输出解析器，强制模型按指定格式返回数据，便于代码解析和使用。

4.1 列表格式输出

from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import PromptTemplate

parser = CommaSeparatedListOutputParser()
format_instructions = parser.get_format_instructions()

prompt = PromptTemplate(
template="给我5个{subject}。\\n{format_instructions}",
input_variables=["subject"],
partial_variables={"format_instructions": format_instructions}
)

_input = prompt.format(subject="心情词汇")
response = llm.invoke(_input)
parsed = parser.parse(response.content)
print(parsed) # 输出Python列表

4.2 时间格式输出

from langchain.output_parsers import DatetimeOutputParser

parser = DatetimeOutputParser()
# 用法与列表格式类似，返回datetime对象

4.3 自定义JSON格式输出

通过继承BaseModel定义结构化输出。

from langchain_core.pydantic_v1 import BaseModel, Field
from langchain.output_parsers import PydanticOutputParser

class AuthorInfo(BaseModel):
name: str = Field(description="作家的名字")
nationality: str = Field(description="作家的国籍")
works: list = Field(description="作家的代表作列表")

parser = PydanticOutputParser(pydantic_object=AuthorInfo)
format_instructions = parser.get_format_instructions()

prompt = PromptTemplate(
template="回答用户的问题。\\n{format_instructions}\\n问题：{question}",
input_variables=["question"],
partial_variables={"format_instructions": format_instructions}
)

_input = prompt.format(question="莫言是谁")
response = llm.invoke(_input)
parsed = parser.parse(response.content)
print(parsed) # 输出AuthorInfo对象，包含name、nationality、works

GPT-4在自定义格式解析上效果更稳定，GPT-3.5可能出现解析失败，多次运行可获得完整结果。

5. Prompt模板封装

5.1 基础模板（PromptTemplate）

from langchain.prompts import PromptTemplate

template = PromptTemplate.from_template("你好，我的名字叫{name}")
print(template.format(name="小明"))

5.2 聊天场景模板

from langchain.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
("system", "你是{company}的客服助手，你的名字叫{assistant_name}"),
("human", "你好，我想问一下{question}")
])

messages = template.format_messages(
company="AGI课堂",
assistant_name="Bob",
question="你是谁"
)
result = llm.invoke(messages)
print(result.content)

5.3 示例模板（FewShotPromptTemplate）

通过示例让模型学习输出格式。

from langchain.prompts import FewShotPromptTemplate

examples = [
{"input": "北京天气怎么样", "output": "北京市"},
{"input": "南京下雨吗", "output": "南京市"},
{"input": "武汉热吗", "output": "武汉市"}
]

example_template = """
输入：{input}
输出：{output}
"""

prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=PromptTemplate.from_template(example_template),
prefix="请根据示例回答问题",
suffix="输入：{input}\\n输出：",
input_variables=["input"]
)

_input = prompt.format(input="长沙多少度")
response = llm.invoke(_input)
print(response.content) # 输出长沙市

5.4 文档模板（外部文件管理）

将提示词独立存放于外部文件，实现代码与提示词分离，便于维护。

创建template.json：

{
"template": "我的名字叫{name}，我喜欢{thing}"
}

加载并使用：

import json
from langchain.prompts import PromptTemplate

with open("template.json", "r") as f:
data = json.load(f)

template = PromptTemplate.from_template(data["template"])
print(template.format(name="小明", thing="编程"))

优势：提示词文本量大时，与Python代码分开管理，可维护性更高。

6. 参考资源

• 本文基于B站视频《20分钟学会LangChain，全面解析+项目实战+代码讲解》整理撰写，通过Ai好记完成视频转录，一键获取核心步骤及代码，如果你也有通过音视频学习AI的需求，推荐试试这个工具，省时又省力！

如有问题欢迎评论区交流。如果本文对你有帮助，点赞、收藏、转发支持～