LangChain 大模型应用开发入门指南

核心模块实战

1. 提示词模板 (Prompt Templates)

PromptTemplate 和 ChatPromptTemplate 是定义交互格式的基础。ChatPromptTemplate 更适合多轮对话场景。

from langchain_core.prompts import PromptTemplate, ChatPromptTemplate

# 简单提示词模板
prompt_template = PromptTemplate.from_template("Tell me a joke about {topic}")
result = prompt_template.invoke({"topic": "cats"})
print(result)

# 聊天提示词模板
chat_prompt = ChatPromptTemplate([
    ("system", "You are a helpful assistant"),
    ("user", "Tell me a joke about {topic}")
])
messages = chat_prompt.invoke({"topic": "cats"})

2. 模型调用 (Models)

LangChain 支持多种模型提供商，包括 OpenAI、Anthropic、HuggingFace 以及国内厂商如智谱 AI。

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

# 初始化聊天模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

# 发送消息
messages = [
    SystemMessage(content="Translate the following from English into Italian"),
    HumanMessage(content="hi!")
]
response = llm.invoke(messages)
print(response.content)

3. 输出解析 (Output Parsers)

为了结构化地获取模型输出，可以使用 StrOutputParser 或其他解析器。

from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()
chain = llm | parser
result = chain.invoke({"input": "What is LangChain?"})

4. 文档加载与处理 (Loaders & Splitters)

在处理私有数据时，需要先将文档加载并切分。

from langchain_text_splitters import CharacterTextSplitter
from langchain_community.document_loaders import PyPDFLoader

# 加载 PDF
loader = PyPDFLoader("example.pdf")
documents = loader.load()

# 文本分割
text_splitter = CharacterTextSplitter.from_tiktoken_encoder(
    encoding_name="cl100k_base", chunk_size=100, chunk_overlap=0
)
texts = text_splitter.split_documents(documents)

5. 向量化与检索 (Embeddings & Vector Stores)

这是 RAG（检索增强生成）模式的核心。将文本转为向量并存入向量数据库。

from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma

# 初始化嵌入模型
embeddings = OpenAIEmbeddings()

# 创建向量存储
vector_store = Chroma(
    collection_name="example_collection",
    embedding_function=embeddings,
    persist_directory="./chroma_langchain_db"
)

# 添加文档
vector_store.add_texts([txt_content for doc in texts for txt_content in [doc.page_content]])

# 检索
retriever = vector_store.as_retriever()
docs = retriever.invoke("what did the president say?")

6. 智能体 (Agents)

Agent 允许模型自主决定调用哪些工具来完成复杂任务。

from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """Multiply two numbers."""
    return a * b

tools = [multiply]
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 执行
response = agent_executor.invoke({"input": "Calculate 5 * 3"})

常用大模型与运行环境

常用大模型服务

在大模型应用中，主要涉及两类模型：Chat 大模型和 Embedding 大模型。常用的服务商包括：

• OpenAI / Azure OpenAI
• Anthropic
• Vertex AI (Google)
• Hugging Face
• AWS Bedrock
• Ollama (本地部署)
• ZhipuAI (智谱 AI)
• MistralAI
• Baidu Qianfan

运行环境选择

运行大模型应用可以选择不同的 Python 环境：

1. 硬编码：直接在脚本中编写逻辑，适合简单测试。
2. Jupyter Notebook：Python 代码分段执行，支持缓存数据，结构清晰。推荐配合 VSCode 使用。
3. Google Colab：提供免费的 GPU 资源，适合小型应用和实验，无需本地配置硬件。

基于智谱 AI 的实战示例

我们使用智谱 AI 的 glm-4-flash 模型进行演示，因其免费且兼容 OpenAI 接口。

首先创建一个 .env 文件保存 API Key：

OPENAI_API_KEY = your_zhupu_ai_key

代码实现如下：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()

key = os.getenv("OPENAI_API_KEY")

model = ChatOpenAI(
    temperature=0.95,
    model="glm-4-flash",
    openai_api_key=key,
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)

# 消息定义
messages = [
    SystemMessage(content="Translate the following from English into Italian"),
    HumanMessage(content="hi!")
]

# 直接调用
response = model.invoke(messages)
print(response.content)

# 使用 Chain 链式调用
parser = StrOutputParser()
chain = model | parser
result = chain.invoke(messages)
print(result)

# 结合提示词模板
system_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)
full_chain = prompt_template | model | parser
final_result = full_chain.invoke({"language": "italian", "text": "hello world"})
print(final_result)

总结

本文介绍了 LangChain 的基本概念、核心组件及生态内容。涵盖了从环境安装、Prompt 工程、模型调用、向量检索到智能体开发的完整流程。通过智谱 AI 配合 ChatOpenAI 接口的实战示例，展示了如何快速构建一个简单的聊天机器人。掌握这些基础技能，有助于开发者更好地应对实际项目中的大模型应用需求。