申请配置

申请 API key 并配置环境变量

1. 申请 API key
   以 OpenAI 为例，官⽹地址：https://platform.openai.com/（魔法上⽹）
   如果没有账号先注册账号，登录成功后，出现 settings 图标，点击 settings，选择 API keys 配置⻚⾯：

点击 “Create new secret key” 按钮，新增 API key：


将 API Key 在⾃⼰本地保存好，后续接⼊ ChatGPT 时需要使⽤。

---

配置环境变量

将 API Key 配置在环境变量中主要是为了保证其隐私性。由于 api key ⽐较隐私，为避免在程序中暴露，可提前将各个 api key 配置在环境变量中，这样在程序中就可以通过获取对应环境变量拿到 apikey，保证了 api key 的隐私。

定义⼤模型

步骤一：安装 OpenAI 包

pip install -U langchain-openai

步骤二：定义⼤模型

# 定义⼤模型
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-5-mini")

步骤3：定义消息列表

# 定义消息列表
from langchain_core.messages import HumanMessage, SystemMessage
messages = [
SystemMessage(content="Translate the following from English into Chinese"),
HumanMessage(content="hi!"),
]

参数说明：

• SystemMessage ：表⽰ 系统⻆⾊ 消息，系统消息通常作为输⼊消息序列中的第⼀条传⼊，是⽤来启动 AI ⾏为的消息。
• HumanMessage ：表⽰ ⽤⼾⻆⾊ 消息，是来⾃⽤⼾的、从⽤⼾传递到模型的消息。

步骤4：调⽤⼤模型
model 是 LangChain Runnable （可运⾏）接⼝的实例，这意味着 model 提供了⼀个标准接⼝供我们与之交互。要简单地调⽤模型，我们可以将 消息列表 传递给 .invoke ⽅法。
使⽤ .invoke ⽅法进⾏⼤模型调⽤，核⼼代码：

result = model.invoke(messages)
print(result)

输出结果（调试可以看⻅ result 类型为 AIMessage）：

content='你好!' additional_kwargs={'refusal': None} response_metadata=
{'token_usage': {'completion_tokens': 2, 'prompt_tokens': 20, 'total_tokens':
22, 'completion_tokens_details': {'accepted_prediction_tokens': 0,
'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0},
'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}},
'model_name': 'gpt-5-mini-2024-07-18', 'system_fingerprint': 'fp_560af6e559',
'id': 'chatcmpl-C5l29mi6KkQSFO3qaElDJD5Lj9nBn', 'service_tier': 'default',
'finish_reason': 'stop', 'logprobs': None} id='run--777ef0be-55c2-411a-a4ab-
104a45c22f20-0' usage_metadata={'input_tokens': 20, 'output_tokens': 2,
'total_tokens': 22, 'input_token_details': {'audio': 0, 'cache_read': 0},
'output_token_details': {'audio': 0, 'reasoning': 0}}

输出说明：

• AIMessage ：来⾃ AI 的消息。从聊天模型返回，作为对提⽰（输⼊）的响应。
  ◦ content ：消息的内容。
  ◦ additional_kwargs ：与消息关联的其他有效负载数据。对于来⾃ AI 的消息，可能包括模型提供程序编码的⼯具调⽤。
  ◦ response_metadata ：响应元数据。例如：响应标头、logprobs、令牌计数、模型名称侧重于 “响应”本⾝的信息，⽐如这次请求的 ID、使⽤的模型版本、以及服务提供商返回
  的所有原始元数据。它主要⽤于调试、⽇志记录和获取请求的上下⽂信息。
  ◦ usage_metadata ：消息的使⽤元数据，例如令牌计数。侧重于 “资源消耗”的量化信息，即这次请求消耗了多少 Token。它主要⽤于成本计算、监控和预算控制。

---

步骤5：输出解析
若只想输出聊天模型返回的结果字符串，可以使⽤ StrOutputParser 输出解析器组件，将⼤模型输出结果解析为最可能的字符串。

# 定义str字符串输出解析器
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
print(parser.invoke(result))
输出结果：
你好!

---

步骤6：链式执⾏
通过上述步骤，⽆论是调⽤⼤模型，还是输出解析，我们发现，每次都调⽤了⼀个 invoke() ⽅法，最终才会得到我们想要的结果。
对于 LangChain，它给我们提供了链式执⾏的能⼒，即我们只需要定义各个“组件”，将它们“链起来”，⼀次性执⾏即可得到最终效果。

# 定义⼤模型
model = ChatOpenAI(model="gpt-5-mini")
# 定义消息列表
messages = [
SystemMessage(content="Translate the following from English into Chinese"),
HumanMessage(content="hi!"),
]
# 定义输出解析器
parser = StrOutputParser()
# 定义链
chain = model | parser
# 执⾏链
result = chain.invoke(messages)
print(result)

输出结果：
你好

快速上⼿完整代码参考：

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
# 定义⼤模型
model = ChatOpenAI(model="gpt-5-mini")
# 定义消息列表
messages = [
SystemMessage(content="Translate the following from English into
Chinese"),
HumanMessage(content="hi!"),
]
# 定义输出解析器
parser = StrOutputParser()
# 定义链
chain = model | parser
# 执⾏链
result = chain.invoke(messages)
print(result)

---

LangChain 相关概念

Runnable 接⼝

Runnable 接⼝是使⽤ LangChain Components（组件）的基础。

概念说明：
Components（组件）：⽤来帮助当我们在构建应⽤程序时，提供了⼀系列的核⼼构建块，例如语⾔模型、输出解析器、检索器、编译的 LangGraph 图等。

Runnable 定义了⼀个标准接⼝，允许 Runnable 组件：
• Invoked（调⽤）: 单个输⼊转换为输出。
• Batched（批处理）: 多个输⼊被有效地转换为输出。
• Streamed（流式传输）: 输出在⽣成时进⾏流式传输。
• Inspected（检查）: 可以访问有关 Runnable 的输⼊、输出和配置的原理图信息。

• spected（检查）: 可以访问有关 u able 的输⼊、输出和配置的原理图信息。
• Composed（组合）: 可以组合多个 Runnable，以使⽤ LCEL 协同⼯作以创建复杂的管道。

因此，在快速上⼿中，我们定义的语⾔模型（model）、输出解析器（StrOutputParser）都是Runnable 接⼝的实例！他们都使⽤了 Invoked（调⽤）的能⼒，回顾⼀下：

# 语⾔模型（model）
model = ChatOpenAI(model="gpt-5-mini")
result = model.invoke(messages) # 语⾔模型是 Runnable 接⼝实例，允许invoke调⽤
# 输出解析器（StrOutputParser）
parser = StrOutputParser()
parser.invoke(result) # 输出解析器是 Runnable 接⼝实例，允许invoke调⽤

---

LangChain Expression Language

LangChain Expression Language（LCEL）：采⽤声明性⽅法，从现有 Runnable 对象构建新的Runnable 对象。
通过 LCEL 构建出的新的 Runnable 对象，被称为 RunnableSequence ，表⽰可运⾏序列。RunnableSequence 就是⼀种 链 。通过调试 就能发现，chain 的类型就是RunnableSequence 。如下所⽰：

重要的是， RunnableSequence 也是 Runnable 接⼝的实例 ，它实现了完整的 Runnable 接⼝，因此它可以⽤与任何其他 Runnable 相同的姿势使⽤。

chain = model | parser
chain.invoke(messages) # 链是 Runnable 接⼝实例，允许invoke调⽤

可以看到，LCEL 其实是⼀种编排解决⽅案，它使 LangChain 能够以优化的⽅式处理链的运⾏时执⾏。任何两个 Runnable 实例都可以“链”在⼀起成序列。上⼀个可运⾏对象的 .invoke（） 调⽤的输出作为输⼊传递给下⼀个可运⾏对象。⽅法就是使⽤ | （管道/运算符）：

chain = model | parser

它通过两个 Runnable 对象去创建⼀个 RunnableSequence 。实际上 LangChain 重载了 | 运算符，使⽤ | 运算符就相当于：

from langchain_core.runnables import RunnableSequence
chain = RunnableSequence(first=model, last=parser)

除此之外，可以使⽤ .pipe ⽅法代替。这也相当于 | 运算符：

chain = model.pipe(parser)