LangChain详解：大模型应用开发框架（通俗理解+专业解析+Python实战）

m0_63537602

436人浏览 · 2026-03-29 09:03:15

m0_63537602 · 2026-03-29 09:03:15 发布

LangChain详解：大模型应用开发框架（通俗理解+专业解析+Python实战）

摘要：随着大语言模型（LLM）的普及，单纯调用模型API已无法满足复杂业务需求——如何让大模型“记住”对话历史、“调用”外部工具、“处理”本地文档？LangChain作为开源的大模型应用开发框架，通过组件化设计，完美解决了这些痛点，成为大模型落地的“必备工具”。本文从通俗类比、专业解析、核心组件、基础实战、避坑技巧五个维度，完整讲解LangChain的核心价值与使用方法，助力开发者快速上手，高效构建LLM应用。

关键词：LangChain；大模型应用开发；LLM；Python；Prompt模板；Chain；Agent；Memory

一、引言：为什么需要LangChain？

在大模型应用开发中，我们常遇到这样的困境：

直接调用GPT、LLaMA等模型API，每次对话都是“一次性交互”，模型记不住上一轮的内容（无记忆）；
想让模型处理本地PDF、Excel文档，或调用搜索引擎、计算器，却无法实现灵活对接（无工具调用能力）；
复杂任务需要多步操作（如“翻译→总结→生成报告”），需手动拼接代码，开发效率极低（无流程编排能力）。

LangChain的核心价值的就是“打破这些困境”——它不训练大模型，也不替代大模型，而是作为“大模型的连接器与工具箱”，将大模型与外部资源（文档、工具、数据库）串联起来，让原本“只会聊天”的大模型，变成能处理复杂任务的“多面手”，大幅降低LLM应用的开发门槛。

如今，LangChain已成为大模型应用开发的行业标准，广泛用于智能问答、对话机器人、文档分析、自动化报告生成等场景，是算法工程师、AI开发者必备的核心工具之一。

二、通俗理解LangChain：不用“从零造轮子”，只需“搭积木”

很多新手刚接触LangChain时，会被“组件”“链”“代理”等术语吓住，其实它的逻辑特别简单，用两个生活化类比，就能彻底搞懂，全程无复杂概念。
在这里插入图片描述

2.1 类比1：大模型是“聪明但不会干活”的新人，LangChain是它的“工作手册+工具箱”

我们把**大模型（如GPT-4、LLaMA）**比作一个刚入职、智商极高但毫无工作经验的新人：

新人很聪明（大模型理解能力、生成能力强），但记不住事情——你上午跟他说的工作要求，下午他就忘了（对应大模型“无记忆”，每次API调用都是独立的）；
新人不会用工具——让他算一个复杂数据，他不会用计算器；让他查最新资讯，他不会用搜索引擎（对应大模型“无工具调用能力”，知识截止到训练数据）；
新人不会串联任务——让他完成“整理文档→提取重点→生成报告”，他不知道先做什么、后做什么，需要你一步步指挥（对应大模型“无流程编排能力”）。

而LangChain，就是给这个新人配备的“工作手册+工具箱”：

工作手册（PromptTemplate）：提前写好标准话术，告诉新人“该做什么、怎么做”，不用每次都重复指挥；
笔记本（Memory）：让新人把重要信息记下来，下次交流时能快速回忆，不用反复重复；
工具箱（Tools）：给新人配备计算器、搜索引擎、文档阅读器等工具，让他能自主完成复杂任务；
任务清单（Chain）：把复杂任务拆成多步，让新人按顺序执行，不用你一步步指挥；
主管（Agent）：如果任务复杂，让主管帮新人判断“该用什么工具、先做哪步”，自主完成工作。

2.2 类比2：大模型是“手机”，LangChain是“应用商店+系统管家”

另一个更直观的类比：大模型就像一台性能强大的手机，本身具备通话、上网等基础功能（对应大模型的文本生成、理解能力）；而LangChain就像手机的“应用商店+系统管家”：

应用商店（Tools）：提供各种“APP”（搜索引擎、文档处理工具、数据库查询工具），让手机能完成更多复杂功能（如查天气、办公、购物）；
系统管家（Chain+Agent）：把多个APP串联起来，完成单一APP做不到的复杂操作（如“打开地图→查路线→叫车”），还能自动判断该用哪个APP；
记忆功能（Memory）：记住你的使用习惯（如常用APP、聊天记录），让体验更流畅。

核心结论：LangChain的本质就是“模块化+流程化”——把大模型的能力拆成独立组件，再按业务需求像搭积木一样组合，让开发者不用从零编码，就能快速构建复杂的LLM应用，实现“用大模型解决实际问题”。

三、LangChain专业解析：定义、核心价值与核心组件

3.1 什么是LangChain？

LangChain是一个开源的大模型应用开发框架，由Python和JavaScript库组成，核心目标是“增强大模型的能力，降低LLM应用的开发门槛”。它通过标准化的接口，将大模型与外部数据、工具、记忆系统连接起来，支持组件的自由组合，实现端到端的LLM应用开发。

关键补充：LangChain不生产大模型，也不替代大模型，而是作为“中间层”，解决大模型“不会记忆、不会调用工具、不会串联任务”的核心痛点，让大模型从“嘴炮工具”变成“落地神器”。

3.2 LangChain的核心价值

组件化设计：将LLM应用的核心模块（提示、记忆、工具等）拆分成独立组件，可自由组合、复用，降低开发成本；
多模型兼容：统一了主流大模型的调用接口，支持OpenAI、LLaMA、ChatGLM、通义千问等，切换模型无需重写代码；
外部资源对接：无缝对接外部文档（PDF、Excel）、数据库（MySQL、MongoDB）、工具（搜索引擎、计算器），扩展大模型的能力边界；
流程编排能力：通过Chain、Agent实现多步骤任务的自动化执行，无需手动干预；
低代码开发：提供丰富的预置组件和模板，开发者可快速搭建原型，加速LLM应用落地。

3.3 LangChain核心组件（必懂，奠定实战基础）

注意：模块组件名称随着langchain版本的更新会发生变化，具体看下载了什么版本的langchain。

LangChain的所有功能，都基于6个核心组件的组合，理解这些组件，就掌握了LangChain的“积木块”，后续实战就能灵活运用。每个组件先讲通俗理解，再讲专业用法，新手也能轻松掌握。

在这里插入图片描述

3.3.1 Models（模型组件）——大模型的“大脑”

通俗理解：就是我们要调用的大模型，是整个应用的“智能来源”，负责理解文本、生成内容。

专业解析：LangChain封装了两类核心模型接口，统一了调用方式，无需关注不同模型的API差异：

LLM：输入文本，输出文本（如GPT-3.5的text-davinci-003），适合文本生成、摘要等场景；
ChatModel：输入“消息列表”（用户消息、系统提示），输出“消息”（如GPT-4、ChatGLM），更适合对话场景。

核心作用：提供智能能力，是所有LangChain应用的基础。

3.3.2 Prompts（提示组件）——给大模型的“指令脚本”

通俗理解：就是提前定义好的“标准话术”，告诉大模型“该做什么”，避免手动拼接字符串的麻烦，让输出更规范。

专业解析：核心是PromptTemplate（提示模板），支持动态传入变量，生成个性化提示词。比如定义一个“产品起名”模板，传入不同产品名称，就能自动生成对应的提示词。

核心作用：精准控制大模型的输出，规范提示词格式，提升开发效率。

3.3.3 Chains（链组件）——组件的“连接器”

通俗理解：把多个组件（模型、提示、记忆）按顺序串联起来，形成完整的任务流程，就像“流水线”一样，自动完成多步操作。

专业解析：LangChain提供多种预置链，满足不同场景需求：

LLMChain：最基础的链，由“提示模板+模型”组成，直接输出结果；
SequentialChain：按顺序执行多个链，前一个链的输出作为后一个链的输入（如“翻译→总结”）；
RouterChain：根据输入内容，自动选择对应的链执行（如判断问题类型，再调用问答链或翻译链）。

核心作用：实现多步骤任务的自动化，避免手动拼接代码。

3.3.4 Memory（记忆组件）——大模型的“笔记本”

通俗理解：保存对话历史或中间结果，让大模型“记住”之前的内容，实现连贯的多轮对话。

专业解析：LangChain提供多种记忆类型，适配不同场景：

ConversationBufferMemory：简单保存所有对话历史，适合短对话；
ConversationSummaryMemory：自动总结对话历史，适合长对话（避免输入Token超标）；
ConversationTokenBufferMemory：按Token数量保存历史，精准控制输入长度。

核心作用：解决大模型“健忘”的痛点，实现自然、连贯的多轮交互。

3.3.5 Tools（工具组件）——大模型的“外挂能力”

通俗理解：给大模型配备的“工具包”，让大模型能调用外部资源，弥补自身缺陷（如知识滞后、不会计算）。

专业解析：LangChain支持多种内置工具，也可自定义工具：

搜索引擎：如Google Search、百度搜索，获取实时信息；
计算工具：如llm-math，完成精确的数学计算；
文档工具：如PDFLoader、CSVLoader，读取本地文档；
数据库工具：如SQLDatabase，查询MySQL、PostgreSQL等数据库；
自定义工具：编写自己的函数（如查天气、调用内部API），对接业务系统。

核心作用：扩展大模型的能力边界，让大模型从“凭记忆回答”变成“能主动获取信息”。

3.3.6 Agents（代理组件）——工具的“决策者”

通俗理解：给大模型配的“主管”，负责分析用户问题，判断“是否需要调用工具”“调用哪个工具”“按什么顺序调用”，自主完成复杂任务。

专业解析：Agent会根据用户输入，结合工具的描述，制定执行计划，调用工具获取结果，再整理成最终答案。常见类型：

Zero-shot React Description：根据工具描述，直接判断调用哪个工具，适合简单场景；
Conversational React Description：带记忆的代理，结合对话历史判断工具调用，适合对话场景；
Structured Input：处理结构化数据（如表格）的代理，适合数据分析场景。

核心作用：实现复杂任务的自主决策，无需开发者手动指定工具调用逻辑。

四、LangChain基础实战：Python入门（可直接运行）

本节基于Python，实现LangChain的基础用法，涵盖核心组件的使用，代码带详细注释，新手可直接复制运行，快速上手。如果想使用更稳定版的可以下载v0.3.x版本。以下代码使用的是最新版本。

在这里插入图片描述

以下代码版本：

Name: langchain Version: 1.2.13
Name: langchain-classic Version: 1.0.3
Name: langchain-community Version: 0.4.1
Name: langchain-core Version: 1.2.23

特别注意langchain的包的导入，因为langchain的更新后会将包拆分到不同模块，所以路径会不同，并且在新版本中有些模块的调用名以及方式都不同需要注意。同时在该案例中使用的是使用ollama本地部署的一个千问的小模型，如果想用其他模型可以从ollama中下载或者使用API调用。如果使用本地部署的ollama中的模型，需要先启动ollama服务，在命令行中启动ollama serve可以使用ollama list去查看下载了什么模型

4.1 环境搭建

首先安装LangChain及相关依赖，这里以对接OpenAI模型为例（国内用户可替换为ChatGLM、通义千问等）：

# 安装核心依赖
pip install langchain langchain-classic langchain-community langchain-core langchain-ollama
# 若需处理文档，额外安装：pip install pypdf python-docx

4.2 实战1：基础LLM调用（Model+Prompt+Chain）

实现“根据产品名称，生成3个科技感名字”的简单任务，用到Model、PromptTemplate、LLMChain三个核心组件，如果使用API调用模型的需要创立.env文件存放密钥：

from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama import OllamaLLM
from dotenv import load_dotenv
import os

# 加载环境变量（读取 API 密钥）
load_dotenv()

# 1. 初始化模型（使用本地 Ollama 的千问模型）
llm = OllamaLLM(
    model="qwen2.5:1.5b",  # 本地模型名称
    temperature=0.7,  # 随机性，0~1，越小越严谨
)

# 2. 定义提示模板（动态传入产品名称）
prompt = ChatPromptTemplate.from_template(
    "给一个{product}起 3 个有科技感的名字，要求简洁、好记，每个名字不超过 8 个字，无需额外解释。"
)

# 3. 构建链（串联提示模板和模型）
chain = prompt | llm

# 4. 执行链，获取结果
result = chain.invoke({"product": "智能手表"})
print("生成的产品名称：")
print(result)

运行结果（参考）：
在这里插入图片描述

核心说明：通过PromptTemplate定义标准化提示，LLMChain串联组件，无需手动拼接提示词，开发效率大幅提升。

4.3 实战2：多轮对话（加入Memory）

实现“带记忆的对话机器人”，让模型记住之前的对话内容，用到RunnableWithMessageHistory组件：

from langchain_ollama import OllamaLLM
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
from dotenv import load_dotenv
import os

load_dotenv()

# 1. 初始化模型
llm = OllamaLLM(
    model="qwen2.5:1.5b",
    temperature=0.7
)

# 2. 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant."),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

# 3. 创建可运行对象
chain = prompt | llm

# 4. 管理对话历史
message_history = ChatMessageHistory()


def get_chat_history():
    return message_history


# 5. 包装成带历史的链
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_chat_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 6. 多轮对话
print("对话开始（输入'退出'结束）：")
while True:
    user_input = input("用户：")
    if user_input == "退出":
        break

    response = chain_with_history.invoke(
        {"input": user_input},
        config={"configurable": {"session_id": "default"}}
    )
    print(f"AI：{response}\n")

# 查看对话历史
print("对话历史：")
print(message_history.messages)