AI全栈知识05：LangChain入门 - AI应用开发框架

AI全栈知识05：LangChain入门 – AI应用开发框架

写在前面

你可能已经会用Python调大模型的API了，发一个请求，拿到一个回答。但真实的AI应用远不止"一问一答"：

• 要让对话有"记忆"（记住之前聊了什么）
• 要先搜资料再回答（RAG）
• 要让模型自己调工具完成任务（Agent）

这些如果全部自己手写，代码量大、容易出bug。LangChain就是帮你把这些常见模式封装好的框架，你拼装组件就行，不用从零造轮子。

LangChain是什么

一句话： AI应用开发的脚手架。把对话、RAG、Agent这些常见模式封装成现成组件，几行代码就能搭建复杂的AI应用。

生活类比

为什么需要它

直接调API只能做到：一个问题 > 一个回答。

但真实需求是：

三个核心概念

概念一：Chain（链）- 把多步骤串成流水线

类比： 你去奶茶店点了一杯饮料，后厨的流程是：取杯>加茶底>加奶>加糖>封口>出品。每一步都依赖上一步的结果，不能跳着来。Chain就是这样，把AI应用的多个步骤像做奶茶一样串起来，前一步做完自动流转到下一步。

RAG的Chain（就像奶茶制作流水线）：
用户问题(点单) > 转向量(备料) > 搜索向量库(找配方) > 拼装Prompt(调配) > 调大模型(制作) > 输出回答(出品)

用户问题 > 转向量 > 搜索向量库 > 拼装Prompt > 调大模型 > 输出回答

每一步的输出 = 下一步的输入，像链条一样串起来。

**代码形式（LCEL管道符写法）：**

```python
# 像Linux管道一样：前一步 | 后一步 | 后一步
chain = prompt_template | llm | output_parser
result = chain.invoke({"question": "什么是K8s"})

如果你熟悉Linux的管道（cat file | grep error | wc -l），这个概念你秒懂，每个组件处理完传给下一个。

概念二：Memory（记忆）- 让对话有上下文

问题： 大模型的API每次请求都是独立的，它不记得上一轮你说了什么。这就像你每次打电话给客服都换一个人接，你得从头解释一遍你的问题。

Memory做的事： 帮你当"记录员"，把每轮对话记下来，下次自动带上。这样模型每次都能"看到"之前聊了什么。

注意：不是模型真的"记住了"，而是每次请求都把聊天记录一起发过去。 就像你把之前的聊天截图发给新客服看，不是客服记性好，是你把记录带上了。

没有Memory：
用户："我叫张三" > 模型："你好张三"
用户："我叫什么" > 模型："我不知道"（独立请求，没记忆）

有Memory：
用户："我叫张三" > 模型："你好张三"（Memory保存）
用户："我叫什么" > 模型："你叫张三"（Memory自动把上轮对话加到Prompt）

实际上模型看到的Prompt是：

[历史] 用户说"我叫张三"，你回答了"你好张三"
[当前] 用户说"我叫什么"

Memory帮你自动管理这个"历史记录拼接"的过程。

概念三：Tool（工具）- 让模型能"动手"

问题： 模型只能生成文字，不能真的去查数据库、调API、执行命令。它就像一个被关在房间里的超级大脑，很聪明，但没有手脚，做不了房间外面的事。

Tool的作用： 给这个大脑"接上手脚"，定义一组工具函数（查Pod、查日志、重启服务……），模型可以决定什么时候"伸手"去用哪个工具。

@tool
def get_unhealthy_pods(namespace: str = "default") –> str:
"""获取异常状态的Pod列表"""
# 调用K8s API
return "pod/order-service: CrashLoopBackOff"

@tool
def get_pod_logs(pod_name: str) –> str:
"""获取Pod的最近日志"""
# 调用K8s API
return "java.lang.OutOfMemoryError"

你只需要定义函数+写好描述，LangChain帮你处理：

• 模型决定调哪个工具 > 自动解析
• 执行工具 > 自动调用你的函数
• 结果返回给模型 > 自动拼装
• 模型再决定下一步 > 自动循环

这就是你K8sChat项目的核心机制。

代码示例

最基础：直接对话

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 创建模型客户端（指向你公司的API或通义千问）
llm = ChatOpenAI(
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
api_key="你的key",
model="qwen-turbo"
)

# 对话
messages = [
SystemMessage(content="你是一个K8s运维专家"),
HumanMessage(content="Pod Pending怎么排查？")
]

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

进阶：Agent模式（自动调工具）

from langchain_openai import ChatOpenAI
from langchain.agents import tool, AgentExecutor, create_openai_tools_agent
from langchain_core.prompts import ChatPromptTemplate

# 1. 定义工具
@tool
def get_unhealthy_pods(namespace: str = "default") –> str:
"""获取异常状态的Pod列表"""
return "pod/order-service-xxx: CrashLoopBackOff"

@tool
def get_pod_logs(pod_name: str) –> str:
"""获取Pod的最近日志"""
return "java.lang.OutOfMemoryError: Java heap space"

# 2. 创建Agent
llm = ChatOpenAI(base_url="…", api_key="…", model="qwen-turbo")
tools = [get_unhealthy_pods, get_pod_logs]

prompt = ChatPromptTemplate.from_messages([
("system", "你是K8s运维助手，用工具帮用户排查问题"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}")
])

agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 3. 用户提问，Agent自动调工具
result = executor.invoke({"input": "有哪些Pod异常？帮我看下日志"})
print(result["output"])

Agent执行过程：

用户："有哪些Pod异常？帮我看下日志"
> 模型决定调 get_unhealthy_pods
> 拿到结果：order-service CrashLoopBackOff
> 模型决定调 get_pod_logs("order-service-xxx")
> 拿到结果：OutOfMemoryError
> 模型总结："order-service因为内存不足(OOM)一直重启，建议增加memory limit"

LangChain的生态

LCEL：管道符写法

LangChain现在推荐用"管道符"串联组件。如果你是Linux运维出身，这个你绝对秒懂，因为它跟Shell的管道一模一样：

# 你每天在用的Linux管道：每个命令处理完传给下一个
cat access.log | grep "500" | sort | uniq -c | sort -rn

# LangChain管道（LCEL）：完全一样的思路
chain = prompt | llm | output_parser

水管接水管，前一段流出的水自动流进下一段。定义好"管道线路"，一个.invoke()就跑通了。

Callback：插入监控逻辑

LangChain支持在执行过程中"插入"监控：

from langchain.callbacks import StdOutCallbackHandler

# 执行时会打印：调了什么模型、花了多少Token、每步耗时
result = chain.invoke({"input": "xxx"}, config={"callbacks": [StdOutCallbackHandler()]})

运维应用： 你可以用Callback做Token消耗统计、调用链追踪、延迟监控，这些是AI应用可观测性的基础。

LangChain vs 竞品

学一个LangChain就够了，它覆盖面最广。

LangChain的局限（要知道）

每个框架都有代价。LangChain就像一把瑞士军刀，功能齐全，但有时候你只想削个苹果，却要掏出一个20种功能的大家伙，反而不顺手。

所以有些团队选择自己手写，需求明确时不需要框架的全部功能。就像你家装修，简单贴个壁纸不用请装修公司，自己动手更快。

对K8sChat的建议

面试时"从零手写了Agent循环"比"用了LangChain"更加分，前者证明理解原理，后者只证明会用工具。

但如果赶时间出Demo，用LangChain也完全可以，后面可以重构。

面试怎么说

如果被问"你了解LangChain吗"：

"了解，LangChain是AI应用开发框架，核心解决三个问题：Chain把多步骤串成流水线，Memory管理对话历史，Tool让模型能调外部API。

我开发的K8sChat运维助手就用到了Tool机制，定义K8s查询工具，让模型通过Function Calling自动调用。

不过LangChain也有局限，抽象重、版本迭代快。简单场景我倾向手写，复杂编排时才用框架。"

延伸思考

小结

本篇核心收获：

下一篇预告

AI全栈知识06：RAG实战，检索增强生成

下一篇我们将动手搭建一个RAG应用：

• 文档切分的策略
• Embedding是什么（把文字变成向量）
• 向量检索的原理
• 用LangChain搭建一个简单的知识库问答

参考链接

• LangChain官方文档
• LangChain GitHub
• LCEL教程
• LangChain Agent教程
• LangGraph文档
• LangSmith（调用链追踪）