引言

我当时刚接触大模型应用开发的时候，最初卡在了怎么把大模型和自己的私有知识库结合起来，直接调用OpenAI的API只能用模型本身训练截止时间前的公共知识，想接入本地的项目文档、业务数据完全不知道从哪下手。后来才了解到LangChain这个框架，刚开始学的时候还混淆了Chain和Agent的区别，跟着教程敲代码还经常因为版本不兼容报各种奇怪的导入错误，前前后后踩了不少坑。今天就把我整理的入门知识点分享给大家，帮初学者快速上手这个大模型开发利器。

一、LangChain是什么？能解决什么问题？

LangChain是一个开源的大模型应用开发框架，核心价值是把大模型的通用能力和外部工具、私有数据、业务逻辑进行低代码整合，不用开发者从零开始写文档加载、向量存储、上下文管理、工具调用这些重复逻辑，大幅降低大模型应用的开发门槛。
举个简单的例子，如果你想做一个能查询公司内部规章制度的聊天机器人，用LangChain只需要简单几步：加载内部文档→文档切片转向量存储→配置检索逻辑→串接大模型，就能快速实现，不用自己从零搭建整个检索流程。

二、LangChain核心概念拆解

初学者不用上来就啃所有API，先搞懂这5个最核心的模块，就能覆盖80%的常用开发场景：

1. 模型（Models）

LangChain对市面上所有主流大模型做了统一接口封装，不管是OpenAI的GPT系列、Anthropic的Claude，还是本地部署的开源大模型比如Llama、通义千问，都可以用同一套代码调用，不用针对每个模型单独写适配逻辑。
关键点：要区分LLM和ChatModel的区别，我一开始就搞混了这两个类：LLM是传统的文本补全模型，输入单段文本输出补全结果；ChatModel是对话类模型，输入是对话消息列表（包含系统提示、用户消息、历史对话），输出是对话回复，现在90%的场景用的都是ChatModel。

2. 检索增强生成（RAG）

这是LangChain最常用的功能之一，类比一下就像你考试的时候可以翻自己的笔记答题：大模型本身的知识是固定的，没有你的私有数据，RAG就是先把你的私有文档（PDF、Word、网页、数据库内容）加载进来，切成合适大小的片段，转成向量存在向量数据库里；用户提问的时候，先从向量库里检索和问题最相关的文档片段，把问题+检索到的片段一起传给大模型，大模型就能基于你的私有数据给出准确回答，避免出现“幻觉”答非所问。

3. 记忆（Memory）

默认情况下每次调用大模型都是独立的请求，大模型不会记得你上一轮说过什么。Memory模块就是用来存储对话历史的，每次调用的时候自动把历史对话拼接进请求参数里，让大模型可以保持上下文连贯性，就像和真人聊天一样对方记得你之前说过的内容，做对话类应用的时候必须用到这个模块。

4. 链（Chains）

顾名思义就是把多个模块串起来的工作流，比如你可以把「接收用户问题→检索相关文档→拼接提示词→调用大模型→解析返回结果」这整个流程串成一个链，不用自己一步步写逻辑调用，直接运行链就能得到最终结果。现在LangChain的Runnable接口支持用管道符|灵活组合模块，写法非常简洁。

5. 代理（Agent）

这是更高级的功能，相当于给大模型配了一个“工具箱”：如果大模型遇到自己回答不了的问题，比如需要查询实时天气、调用计算器算复杂公式、查询数据库数据，Agent可以自主决策调用对应的工具获取信息，再结合工具返回的结果回答用户，而不是只能依赖模型本身的知识。比如你问Agent“今天上海的气温是多少？”，它知道自己没有实时天气数据，就会自动调用天气查询工具，拿到结果后再整理成自然语言回复你。

三、基础实战：从0到1跑通第一个LangChain应用

前置准备

首先安装依赖，注意：LangChain更新速度很快，不同版本接口差异很大，建议初学者固定使用稳定版本，避免出现奇怪的报错：

# 安装指定稳定版本的依赖
pip install langchain==0.2.16 langchain-openai==0.1.20 python-dotenv

然后在项目根目录新建.env文件，写入你的OpenAI API密钥，不要把密钥硬编码在代码里，容易泄露：

OPENAI_API_KEY=你的实际API密钥

示例1：基础大模型调用

先看我第一次踩坑的错误写法：

# 错误写法：没有配置API密钥，直接调用会报认证错误
from langchain_openai import ChatOpenAI

# 没有传入api_key，也没有加载环境变量
llm = ChatOpenAI(model="gpt-3.5-turbo")
response = llm.invoke("你好，介绍一下LangChain是什么")
print(response.content)

正确写法，用dotenv加载环境变量：

# 正确写法：先加载环境变量，再初始化模型
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

# 加载.env文件中的配置
load_dotenv()

# 初始化大模型，自动从环境变量读取API_KEY
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.7  # 温度参数：0最严谨，1最有创造性
)
# 调用模型
response = llm.invoke("你好，简单介绍一下LangChain的核心作用")
print(response.content)

示例2：串接第一个工作流链

我们把提示词模板、大模型、输出解析器串成一个链，实现固定格式的回复：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 定义提示词模板，{input}是占位符，可以动态传入用户问题
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个面向初学者的技术助手，回答问题要简洁易懂，不要用专业术语"),
    ("user", "用户的问题是：{input}")
])

# 输出解析器：把大模型返回的消息对象转成字符串
output_parser = StrOutputParser()

# 用管道符把三个模块串成链，前一个模块的输出作为后一个的输入
chain = prompt | llm | output_parser

# 调用链，传入用户问题
result = chain.invoke({"input": "LangChain的RAG功能是做什么的？"})
print(result)

关键点：管道符|是LangChain 0.2版本之后的核心写法，比旧版本的Chain类灵活很多，推荐所有初学者都用这种方式组合模块。

四、新手高频踩坑总结

我整理了3个我和身边朋友入门时最常遇到的错误，大家可以提前避开：

1. 版本不兼容导致的导入错误

• 错误表现：运行代码时报ImportError，比如提示找不到langchain.llms.openai模块，或者某个函数不存在
• 解决方法：LangChain版本迭代非常快，不同大版本的接口差异很大，初学者不要直接安装最新版本，建议固定使用0.2.x稳定版本，同时单独为LangChain项目创建虚拟环境，不要和其他大模型项目共用环境，避免依赖冲突。

2. 密钥配置错误导致的认证失败

• 错误表现：调用大模型时报AuthenticationError，提示API密钥无效或者未提供
• 解决方法：永远不要把API密钥硬编码在代码里，优先用python-dotenv管理环境变量，提交代码的时候记得把.env文件加入.gitignore，避免密钥泄露到公共代码仓库。如果是国内用户调用OpenAI API，还要注意网络代理的配置，确保可以正常访问接口。

3. RAG场景下检索结果不准确

• 错误表现：做RAG应用的时候，大模型回答的内容和私有文档不相关，或者只回答了部分内容，信息不完整
• 解决方法：首先调整文档分片的大小，不要切得太碎或者太大，一般建议每块1000-2000个字符，同时保留10%-20%的重叠字符，避免关键信息被切断；其次要选择和大模型匹配的嵌入模型，比如用OpenAI的大模型就配套用text-embedding-3-small嵌入模型，不要混用不同厂商的嵌入模型和大模型，避免向量空间不匹配导致检索效果差。

结尾

如果你在学习中遇到类似问题，建议先回顾本文知识点+动手复现代码，遇到其他疑问可在评论区留言交流～

CSDN标签

#大模型 #LangChain #AI应用开发 #RAG #大模型应用开发