使用 LangChain 构建应用
LangChain 是一个旨在简化大型语言模型（LLM）应用的开发框架。它支持将外部数据源和计算源连接到 LLM，从而构建功能丰富的应用程序。本文将重点介绍 LangChain 中最基础的组件之一——LLMChain，并逐步展示如何从简单的提示响应扩展到更复杂的链式调用。
环境准备与安装
在使用 LangChain 之前，需要确保 Python 环境已配置好。LangChain 支持通过 API 提供的模型（如 OpenAI）和本地开源模型（如 Ollama）。
首先，安装必要的依赖包。对于 OpenAI 集成，需要安装 langchain-openai 包：
pip install langchain-openai
同时，建议安装核心包以确保兼容性：
pip install langchain-core
访问 API 需要一个有效的密钥。您可以通过注册 OpenAI 账户获取该密钥。为了安全起见，建议将密钥设置为环境变量，而不是硬编码在代码中。
设置环境变量示例（Linux/Mac）：
export OPENAI_API_KEY="sk-..."
Windows 用户可以使用 setx 或在系统属性中配置。
初始化模型
安装完成后，我们可以初始化模型。以下示例使用 OpenAI 的 Chat 模型。
方式一：使用环境变量
如果已设置环境变量，可以直接实例化：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
方式二：直接传入密钥
如果不希望设置环境变量，可以在启动类时直接通过命名参数传入密钥：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(openai_api_key="sk-...")
注意：在生产环境中，请避免将密钥硬编码在代码中，建议使用 .env 文件和 python-dotenv 库来管理敏感信息。
测试模型调用
一旦安装并初始化了 LLM，就可以尝试调用它。例如，询问关于历史人物的问题：
response = llm.invoke("介绍一下李白？")
print(response)
输出通常是一个 AIMessage 对象，包含内容字段：
AIMessage(content='李白（701 年－762 年），字太白，号青莲居士，唐朝时期伟大的浪漫主义诗人...')
虽然可以直接使用，但在大多数应用中，我们更倾向于处理字符串格式的数据。因此，我们需要引入输出解析器。
构建提示模板
提示模板（Prompt Template）用于将原始用户输入转换为更适合 LLM 理解的格式。通过定义 System Message 和 User Message，可以控制模型的语气、角色和回答风格。
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是世界级的历史人物研究人员，擅长用一句话输出回答。"),
("user", "{input}")
])
这里使用了 {input} 作为占位符，将在运行时被实际的用户输入替换。
创建 LLMChain
LangChain 提供了流畅的表达式语言（LCEL），允许使用管道操作符 | 将多个组件连接起来。这比传统的 RunnableWithMessageHistory 或旧版 Chain 更加简洁高效。
基础链
将提示模板与模型组合：
chain = prompt | llm
调用链：
result = chain.invoke({"input": "请介绍一下李白？"})
print(result.content)
输出将被限制为系统提示词要求的格式：
李白，唐朝浪漫主义诗人，被誉为'诗仙'。
添加输出解析器
为了将 AIMessage 对象转换为纯字符串，方便后续处理，我们可以添加 StrOutputParser：
from langchain_core.output_parsers import StrOutputParser
output_parser = StrOutputParser()
chain = prompt | llm | output_parser
再次调用：
response = chain.invoke({"input": "请介绍一下李白？"})
print(type(response)) # <class 'str'>
print(response)
现在返回的是直接的字符串，无需再访问 .content 属性。
进阶：流式响应处理
在实际应用中，为了提升用户体验，通常希望看到模型生成的文字逐字显示，而不是等待整个响应完成。LangChain 支持流式输出。
for chunk in chain.stream({"input": "请介绍一下李白？"}):
print(chunk, end="", flush=True)
这将逐个打印生成的文本块，实现打字机效果。
本地模型部署
除了使用云端 API，LangChain 也支持本地开源模型，如 Ollama。这依赖于硬件配置，适合对数据隐私有要求或预算有限的场景。
以 Ollama 为例，需先安装 Ollama 服务并拉取模型（如 llama3）：
ollama pull llama3
然后在代码中初始化：
from langchain_community.chat_models import ChatOllama
llm_local = ChatOllama(model="llama3", temperature=0.7)
chain_local = prompt | llm_local | output_parser
这种方式无需网络请求即可运行，但速度取决于本地算力。
最佳实践与安全建议
- 密钥管理：始终使用环境变量或密钥管理服务（如 AWS Secrets Manager）存储 API Key，切勿提交到版本控制系统。
- 错误处理：网络波动或 API 限流可能导致调用失败，建议在代码中添加 try-except 块进行重试或降级处理。
- 成本控制：Token 消耗会产生费用，可通过限制最大 token 数或使用低成本模型来控制成本。
- 提示词工程：优化 System Prompt 能显著提升回答质量，建议对关键指令进行明确约束。
- 缓存机制：对于相同的输入，可以考虑缓存结果以减少重复调用，降低延迟和费用。
总结
本文详细讲解了 LangChain 中 LLMChain 的基本使用方法。通过组合提示模板、模型和输出解析器，开发者可以快速构建基于大语言模型的应用原型。掌握了 LLMChain 后，后续可以进一步学习检索增强生成（RAG）、代理（Agent）以及多步链等高级功能，以应对更复杂的企业级需求。
在构建应用时，请始终关注安全性、稳定性和成本效益，根据实际业务场景选择合适的模型和架构方案。