前言
OpenAI 的 API 为构建智能应用提供了强大基础。作为 LLM 领域的佼佼者，LangChain 随着 RAG 技术的落地实践热度持续攀升。要在实际项目中有效利用 LangChain 的能力，掌握其与 OpenAI 的集成方式至关重要。本文将详细介绍如何集成两者，并演示核心组件的使用。
前置准备
在开始前，需确保本地具备 Python 开发环境及必要的依赖库。
安装依赖
通过 pip 安装核心包：
pip install langchain openai python-dotenv
环境变量配置
建议将 API Key 存储在环境变量中，避免硬编码。创建 .env 文件：
OPENAI_API_KEY=your_api_key_here
并在代码中加载：
from dotenv import load_dotenv
load_dotenv()
LangChain 各组件使用
Chat Models 组件
这是与模型交互的核心入口。
Invocation 使用
初始化模型后，直接调用 invoke 方法获取响应。
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(model_name="gpt-3.5-turbo")
response = llm.invoke("你好")
print(response.content)
结果解析
注意处理流式输出或非结构化返回，通常提取 content 字段。
提示词模板
结构化输入能显著提升模型表现。
什么是提示词模板
用于动态拼接用户输入与系统指令。
创建提示词模板
使用 PromptTemplate 处理简单文本，ChatPromptTemplate 处理对话历史。
from langchain.prompts import PromptTemplate
template = PromptTemplate(input_variables=["topic"], template="请介绍 {topic}")
少样本提示词
提供示例（Few-Shot）有助于模型理解特定任务格式。
Memory 组件
实现多轮对话记忆。
ChatMessageHistory
存储会话历史消息。
流式输出
结合生成器实现实时反馈，提升用户体验。
向量数据库与文档检索
构建 RAG 应用的基础。
