LangChain 快速入门：从环境搭建到链式调用实战

LangChain 主要支持两种类型的语言模型接口：

• LLM: 输入为字符串，输出也为字符串。适用于简单的文本生成任务。
• ChatModels: 输入为消息列表（Message List），输出为单条消息。适用于对话场景。

Message 结构

ChatModels 中的 Message 对象基于 BaseMessage 接口，包含两个必需属性：

• content: 消息的具体内容。
• role: 消息的角色标识。

LangChain 预定义了以下角色类：

• HumanMessage: 用户发送的消息。
• AIMessage: AI 助手回复的消息。
• SystemMessage: 系统设定的指令或上下文。
• FunctionMessage / ToolMessage: 函数调用相关的消息。

如果预定义角色不适用，可以使用 ChatMessage 手动指定角色。

所有 LangChain 表达式语言 (LCEL) 对象都提供标准的 .invoke() 方法：

• LLM.invoke(): 接受字符串，返回字符串。
• ChatModel.invoke(): 接受 BaseMessage 列表，返回 BaseMessage。

代码示例

from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

# 初始化模型
llm = OpenAI()
chat_model = ChatOpenAI()

# 准备输入
text = "What would be a good company name for a company that makes colorful socks?"
messages = [HumanMessage(content=text)]

# 调用模型
print(llm.invoke(text))
# 输出示例：Feetful of Fun

print(chat_model.invoke(messages))
# 输出示例：AIMessage(content="Socks O'Color")

提示: OpenAI 和 ChatOpenAI 对象本质上是配置对象。可以通过 temperature 等参数调整模型的随机性和创造性。

2. Prompt Template (提示模板)

大多数生产级应用不会直接将用户输入传递给 LLM。通常需要将用户输入嵌入到一个更大的文本片段中，即提示模板（Prompt Template），以提供任务所需的额外上下文。

基础模板

from langchain.prompts import PromptTemplate

prompt = PromptTemplate.from_template("What is a good name for a company that makes {product}?")
formatted_prompt = prompt.format(product="colorful socks")
print(formatted_prompt)
# 输出：What is a good name for a company that makes colorful socks?

使用模板的优势包括：

• 变量管理: 可以灵活替换部分变量。
• 组合能力: 可以轻松将多个模板组合成一个复杂的提示。

聊天提示模板

对于 ChatModels，通常使用 ChatPromptTemplate，它由一系列 ChatMessageTemplate 组成，每个模板定义了一条消息的角色和内容。

from langchain.prompts.chat import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

template = "You are a helpful assistant that translates {input_language} to {output_language}."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
formatted_messages = chat_prompt.format_messages(input_language="English", output_language="French", text="I love programming.")

print(formatted_messages)
# 输出：[SystemMessage(...), HumanMessage(...)]

3. Output Parser (输出解析器)

OutputParsers 负责将 LLM 的原始文本输出转换为程序可处理的格式。常见的类型包括：

• 将文本转换为结构化信息（如 JSON）。
• 将 ChatMessage 转换为字符串。
• 解析函数调用结果。

自定义解析器

在本例中，我们将创建一个简单的解析器，将逗号分隔的字符串转换为列表。

from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
    """Parse the output of an LLM call to a comma-separated list."""

    def parse(self, text: str):
        """Parse the output of an LLM call."""
        return text.strip().split(", ")

parser = CommaSeparatedListOutputParser()
result = parser.parse("hi, bye")
print(result)
# 输出：['hi', 'bye']

4. 用 LCEL 进行链式调用

LangChain Expression Language (LCEL) 提供了一种声明式的方式来组合组件。通过链（Chain），我们可以将输入变量传递给提示模板，生成提示，发送给 LLM，最后通过输出解析器处理结果。

完整示例

from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
    def parse(self, text: str):
        return text.strip().split(", ")

template = """You are a helpful assistant who generates comma separated lists.
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.
ONLY return a comma separated list, and nothing more."""

system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_message_prompt = HumanMessagePromptTemplate.from_template("{text}")

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

chain = LLMChain(
    llm=ChatOpenAI(),
    prompt=chat_prompt,
    output_parser=CommaSeparatedListOutputParser()
)

response = chain.run("colors")
print(response)
# 输出示例：['red', 'blue', 'green', 'yellow', 'orange']

总结与最佳实践

通过上述步骤，我们完成了从环境配置到构建简单 LangChain 应用的全过程。以下是开发过程中的一些最佳实践建议：

1. 安全性: 永远不要将 API 密钥硬编码在源代码中，务必使用环境变量或密钥管理服务。
2. 错误处理: 在生产环境中，应捕获 LLM 可能出现的超时或网络异常，并提供友好的降级方案。
3. 提示工程: 精心设计的 System Prompt 能显著提高模型输出的稳定性和准确性。尝试使用 Few-Shot 示例来引导模型行为。
4. 性能优化: 对于高并发场景，考虑对模型调用进行缓存或使用异步处理机制。
5. 版本管理: LangChain 迭代迅速，建议定期检查依赖更新，但在新功能上线前先在测试环境验证兼容性。

掌握这些核心概念后，您可以进一步探索 LangGraph、RAG（检索增强生成）以及 Agent 等高级特性，构建更复杂的企业级 AI 应用。