10 个 LangChain 实战项目（附核心代码）
·
目录
在 AI 应用开发中，大模型只是“引擎”，真正的系统需要：
大模型
+ 数据
+ 工具
+ 工作流
LangChain 的作用，就是将这些能力连接起来。
下面介绍 10 个真实可落地的 LangChain 项目。
1、 AI 聊天机器人（入门项目）
1.1 项目介绍
最简单的 LangChain 应用：
-
用户聊天、调用大模型、多轮对话
支持模型：
-
GPT-4、DeepSeek
1.2 核心代码
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage
# 初始化模型
llm = ChatOpenAI(
model="gpt-4o",
temperature=0.7
)
# 用户输入
message = HumanMessage(content="介绍一下LangChain")
# 调用模型
response = llm.invoke([message])
print(response.content)
2、 PDF 文档问答系统
2.1 项目介绍
实现：
-
上传 PDF、自动建立知识库、智能问答
这是最典型的 RAG 应用。
2.2 技术架构
PDF
↓
文本切分
↓
Embedding
↓
向量数据库
↓
LLM问答
向量数据库：
-
FAISS
2.3 核心代码
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
loader = PyPDFLoader("example.pdf")
documents = loader.load()
splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50
)
docs = splitter.split_documents(documents)
3、 AI 知识库问答系统
3.1 项目介绍
企业最常见 AI 系统：
-
内部文档问答、技术文档助手、研发知识库
3.2 技术架构
文档
↓
Embedding
↓
向量数据库
↓
LangChain检索
↓
LLM回答
向量数据库：
-
Chroma
3.3 核心代码
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_texts(
texts=["LangChain是AI开发框架"],
embedding=embeddings,
persist_directory="./db"
)
docs = vectorstore.similarity_search("什么是LangChain")
print(docs[0].page_content)
4、 AI SQL 数据分析助手
4.1 项目介绍
用户可以用 自然语言查询数据库。
例如：
用户：今年销售额最高的产品是什么？
AI 自动：
生成SQL
执行查询
解释结果
4.2 核心代码
from langchain.agents import create_sql_agent
from langchain_openai import ChatOpenAI
from langchain.sql_database import SQLDatabase
db = SQLDatabase.from_uri("sqlite:///sales.db")
llm = ChatOpenAI(model="gpt-4o")
agent = create_sql_agent(
llm=llm,
db=db,
verbose=True
)
agent.invoke("查询销售额最高的产品")
5、 AI 搜索助手
5.1 项目介绍
类似 AI 版搜索引擎：
-
自动搜索
-
汇总信息
-
生成报告
5.2 核心代码
from langchain.tools import Tool
def search(query):
return f"搜索结果：{query}"
search_tool = Tool(
name="search",
func=search,
description="用于互联网搜索"
)
6、 AI 编程助手
6.1 项目介绍
实现类似：
-
Copilot、AI 代码生成、代码解释
6.2 核心代码
from langchain.prompts import PromptTemplate
template = """
你是一名Python专家
问题：
{question}
代码：
"""
prompt = PromptTemplate(
template=template,
input_variables=["question"]
)
print(prompt.format(question="写一个快速排序"))
7、 AI 自动化 Agent
7.1 项目介绍
Agent 可以：
-
自动规划任务、调用工具、完成复杂工作
7.2 项目架构
用户任务
↓
Agent
↓
选择工具
↓
执行
7.3 核心代码
from langchain.agents import initialize_agent
agent = initialize_agent(
tools=[search_tool],
llm=llm,
agent="zero-shot-react-description",
verbose=True
)
agent.invoke("搜索人工智能最新发展")
8、 多 Agent 协作系统
8.1 项目介绍
使用：
LangGraph
实现：
-
Planner Agent、Research Agent、Writer Agent
8.2 项目架构
用户任务
↓
规划Agent
↓
研究Agent
↓
写作Agent
9、 AI 客服机器人
9.1 项目介绍
功能：
-
自动回答用户问题、企业知识库支持、客服自动回复
9.2 核心代码
from langchain.chains import RetrievalQA
qa = RetrievalQA.from_chain_type(
llm=llm,
retriever=vectorstore.as_retriever()
)
result = qa.invoke("公司退货政策是什么")
print(result)
10、 企业 AI 办公助手
10.1 项目介绍
完整 AI 系统：
-
文档问答、数据分析、自动写报告、自动任务
10.2 技术架构
前端（Vue）
│
▼
API（FastAPI）
│
▼
LangChain
│
┌──┴───┐
RAG Agent
│
▼
LLM
推荐学习路线
1 聊天机器人
2 PDF问答
3 知识库系统
4 SQL Agent
5 搜索助手
6 编程助手
7 自动化Agent
8 多Agent系统
9 AI客服
10 AI办公助手
总结
LangChain 的核心价值是：
LLM
+ 数据
+ 工具
+ 工作流
通过这些能力，可以构建：
-
AI知识库
-
AI Agent
-
AI自动化系统
-
企业级AI平台
这也是未来 AI应用开发的重要方向。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
4
0- 0
已为社区贡献21条内容
所有评论(0)