摘要

开发基于大型语言模型（LLM）的应用程序时，重复的提示、输出解析和数据整合往往会耗费大量时间。LangChain 是一个开源框架，通过提供模块化组件和预置的“链”与“代理”，极大地简化了 LLM 应用的开发流程。本文基于 DeepLearning.AI 的课程内容，系统介绍 LangChain 的四大核心组件——模型、提示、索引、链与代理，并辅以代码示例和实战思路。无论你是 AI 应用开发者还是 LLM 爱好者，都能快速掌握如何用 LangChain 将模型能力转化为实际产品。

适用人群 / 前置知识

适用人群：希望使用大语言模型构建应用的开发者、数据科学家、AI 产品经理

前置知识：基础的 Python 编程；了解什么是大语言模型（如 GPT、ChatGLM）以及提示工程的基本概念；对 OpenAI API 或类似服务有一定接触会更好理解示例

1. 引言：为什么需要 LangChain？

过去，调用一次大语言模型就能完成一个简单任务（如翻译一句话）。但在真实应用中，你需要：

• 多次调用模型，传递不同上下文
• 解析模型输出的非结构化文本
• 从外部数据源（数据库、PDF、网页）检索信息，再喂给模型
• 让模型决定下一步调用哪个工具

这些重复逻辑就是“胶水代码”。LangChain 将这些通用模式抽象为可复用的组件，让你像搭积木一样构建 LLM 应用。正如 Harrison Chase 所说，它“专注于组合性和模块化”，并且提供了大量开箱即用的端到端用例。

2. 核心组件概览

LangChain 的主要模块包括：

组件	作用	类比
Models	封装对不同 LLM 的调用（OpenAI、Hugging Face 等）	各种不同的“大脑”
Prompts	管理提示模板、动态格式化输入	给大脑的“指令模板”
Indexes	加载、分割、嵌入和检索外部文档	长期记忆 + 搜索引擎
Chains	将多个组件按顺序组合成一个任务流程	预定义的流水线
Agents	让 LLM 自主决定调用哪些工具和顺序	具备决策能力的机器人

下面逐一展开。

3. 模型（Models）：统一调用接口

LangChain 支持数十种 LLM 提供商和部署方式，包括 OpenAI、Anthropic、Cohere、Hugging Face Hub、本地运行的 Llama 等。模型分为两类：

• LLM：输入文本，输出文本（如 text-davinci-003）
• ChatModel：输入消息列表，输出消息（如 gpt-3.5-turbo）

示例（使用 OpenAI 的 ChatModel）：

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

chat = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
response = chat([HumanMessage(content="用一句话解释什么是 LangChain")])
print(response.content)

小提示：你需要设置 OPENAI_API_KEY 环境变量。

4. 提示（Prompts）：结构化输入

直接拼接字符串容易出错且难以维护。LangChain 提供 PromptTemplate 和 ChatPromptTemplate 来动态生成提示。

from langchain.prompts import PromptTemplate

template = PromptTemplate(
    input_variables=["product"],
    template="为以下产品写一句吸引人的广告词：{product}"
)
print(template.format(product="智能保温杯"))

对于聊天模型，可以组合系统消息和用户消息：

from langchain.prompts import ChatPromptTemplate, SystemMessage, HumanMessage

chat_template = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是一个幽默的广告文案专家。"),
    HumanMessage(content="产品：{product}")
])
messages = chat_template.format_messages(product="智能保温杯")

5. 索引（Indexes）：让模型接触私有数据

大模型的知识截止到训练数据。要让模型回答你公司内部文档或最新新闻，就需要检索增强生成（RAG）。索引组件包括：

• 文档加载器（Document Loaders）：从 PDF、网页、Notion 等读取
• 文本分割器（Text Splitters）：将长文档切成适合模型上下文窗口的块
• 向量存储（Vector Stores）：存储文本的嵌入向量（如 Chroma、FAISS、Pinecone）
• 检索器（Retrievers）：根据查询返回最相关的文档块

快速示例：从网页加载内容，然后检索

from langchain.document_loaders import WebBaseLoader
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 加载文档
loader = WebBaseLoader("https://lilianweng.github.io/posts/2023-06-23-agent/")
documents = loader.load()

# 2. 分割
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = splitter.split_documents(documents)

# 3. 嵌入 + 存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embeddings)

# 4. 检索
retriever = vectorstore.as_retriever()
relevant_docs = retriever.get_relevant_documents("什么是思维链？")

6. 链（Chains）：端到端的任务流水线

链将一个或多个组件串联起来。最简单的 LLMChain 组合了提示模板和模型：

from langchain.chains import LLMChain

chain = LLMChain(llm=chat, prompt=template)
result = chain.run(product="智能保温杯")
print(result)

更强大的 SequentialChain 可以将上一个输出作为下一个输入。例如：先生成产品描述，再翻译成英文。

from langchain.chains import SimpleSequentialChain

# 第一个链：生成中文描述
desc_prompt = PromptTemplate(input_variables=["product"], template="描述{product}的三个卖点")
chain1 = LLMChain(llm=chat, prompt=desc_prompt)

# 第二个链：翻译成英文
trans_prompt = PromptTemplate(input_variables=["chinese"], template="把以下中文翻译成英文：{chinese}")
chain2 = LLMChain(llm=chat, prompt=trans_prompt)

# 组合
overall_chain = SimpleSequentialChain(chains=[chain1, chain2])
print(overall_chain.run("智能保温杯"))

7. 代理（Agents）：让模型成为“推理引擎”

代理比链更灵活——它不固定执行顺序，而是让 LLM 决定下一步调用哪个“工具”（如搜索引擎、计算器、数据库查询），并可以反复迭代直到完成任务。

示例：创建一个能够进行数学计算和搜索的代理（需要安装 langchain_experimental 和 google-search-results）

from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.llms import OpenAI

llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)  # 搜索 + 计算器

agent = initialize_agent(
    tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)

agent.run("目前特斯拉的股价是多少？如果我用10000美元买入，涨幅20%后卖出，能赚多少？")

代理会先搜索股价，然后计算收益——完全由模型自主规划步骤。

8. 输出解析器（Parsers）：让模型输出结构化数据

模型输出通常是自由文本。为了可靠地提取信息，LangChain 提供了解析器，例如将输出解析为 Python 列表、JSON 或自定义 Pydantic 对象。

from langchain.output_parsers import CommaSeparatedListOutputParser

parser = CommaSeparatedListOutputParser()
format_instructions = parser.get_format_instructions()

prompt = PromptTemplate(
    template="列出5种{category}。\n{format_instructions}",
    input_variables=["category"],
    partial_variables={"format_instructions": format_instructions}
)

chain = LLMChain(llm=chat, prompt=prompt)
output = chain.run(category="机器学习框架")
print(parser.parse(output))  # 得到 ['TensorFlow', 'PyTorch', ...]

9. 常见问题与注意事项

问题	建议
API 调用成本高	使用本地模型（如 Ollama、llama-cpp-python）或设置 max_tokens 限制
上下文窗口溢出	合理设置文本分块大小，使用 MapReduceDocumentsChain 等策略
代理陷入循环	设置 max_iterations，或使用更可靠的 Plan-and-Execute 代理
输出格式不稳定	使用 PydanticOutputParser 并配合 format_instructions 强制模型遵循格式
调试困难	开启 verbose=True 打印中间步骤，或使用 LangSmith 可视化追踪

10. 总结与下一步

LangChain 将 LLM 应用开发从“手写大量胶水代码”提升到“声明式组件编排”的层次。通过本文介绍的模型、提示、索引、链和代理，你已经可以构建：

• 基于私有文档的问答机器人（RAG）
• 自动处理客户邮件的分析流水线
• 能调用外部 API 完成复杂任务的 AI 助手

实践建议：

1. 从 LLMChain 开始，确保你熟悉提示和模型输出
2. 然后尝试结合检索器，构建一个简单的文档问答
3. 最后挑战代理：用一个查询让模型自动搜索、计算和总结