LangChain 入门：从分步调用到链式编程

本文基于一段翻译助手的示例代码，讲解 LangChain 的核心概念、输出解析器的作用，以及普通写法与链式写法的对比。

---

一、LangChain 是什么？

名字拆解

缩写	含义
Lang	Language（语言）→ 大语言模型（LLM = Large Language Model）
Chain	链 → 把多个步骤像链条一样串起来执行

核心理念：把和大语言模型打交道的各种操作，拆成一个个小模块，再用"链"串起来，像工厂流水线一样工作。

原料 → 工序A → 工序B → 工序C → 成品
     ↓        ↓        ↓
   提示词   调模型    解析结果

---

二、完整代码示例（翻译助手）

以下是一段使用 LangChain 调用通义千问模型进行翻译的完整代码：

from langchain import PromptTemplate
from langchain_community.chat_models import ChatTongyi
from langchain_core.output_parsers import StrOutputParser

# 1. 创建模型客户端
model = ChatTongyi()

# 2. 构建提示词模板
prompt = PromptTemplate(
    template="你是一个翻译助手，请讲以下内容翻译成{language}:{text}"
)

# 3. 输入参数，构建真正的提示词
fact_prompt = prompt.format(language="中文", text="I am a programmer")
print(fact_prompt)

# 4. 调用模型
result = model.invoke(fact_prompt)

# 5. 解析输出结果
parser = StrOutputParser()
str_result = parser.invoke(result)
print(str_result)

---

三、分步详解

第1步：创建模型客户端

model = ChatTongyi()

初始化通义千问（ Tongyi ）的聊天模型客户端，后续通过它向大模型发送请求。

---

第2步：构建提示词模板

prompt = PromptTemplate(
    template="你是一个翻译助手，请讲以下内容翻译成{language}:{text}"
)

使用 PromptTemplate 创建带占位符的模板：

• {language} → 目标语言（如"中文"）
• {text} → 待翻译内容（如"I am a programmer"）

好处：模板可复用，只需替换变量就能生成不同提示词。

---

第3步：填充参数

fact_prompt = prompt.format(language="中文", text="I am a programmer")

将具体值填入占位符，生成真正发送给模型的提示词：

你是一个翻译助手，请讲以下内容翻译成中文:I am a programmer

---

第4步：调用模型

result = model.invoke(fact_prompt)

向大模型发送请求，返回一个复杂对象（不是纯文本）。

---

第5步：解析输出结果 ⭐重点

parser = StrOutputParser()
str_result = parser.invoke(result)
print(str_result)

为什么要解析？

大模型返回的 result 是一个包装对象，结构类似：

AIMessage(
    content="我是一名程序员",           # 真正的回答内容
    response_metadata={
        "token_usage": {...},         # Token 消耗统计
        "model_name": "qwen-turbo",   # 模型名称
        "finish_reason": "stop"       # 结束原因
    },
    id="run-xxxxxx",
    usage_metadata={"input_tokens": 15, "output_tokens": 6, "total_tokens": 21}
)

StrOutputParser 的作用

功能	说明
提取 content	从 AIMessage 对象中抽取出 .content 字段
转为纯字符串	去掉所有元数据包装，只保留模型生成的文本
链式兼容	可以无缝接入 LangChain 的 | 管道操作符

效果对比：

操作	输出结果
print(result)	AIMessage(content='我是一名程序员', ...) 一大串对象信息
print(str_result)	我是一名程序员 ← 干净的人话

解析的本质：大模型 API 返回的是"包裹在快递盒里的商品"，StrOutputParser 就是帮你拆快递盒，只把里面的"商品"（纯文本答案）拿出来。

---

四、普通写法 vs 链式写法

普通写法（分步式）

from langchain import PromptTemplate
from langchain_community.chat_models import ChatTongyi
from langchain_core.output_parsers import StrOutputParser

# 创建各个组件
model = ChatTongyi()
prompt = PromptTemplate(
    template="你是一个翻译助手，请讲以下内容翻译成{language}:{text}"
)
parser = StrOutputParser()

# 手动一步步执行
fact_prompt = prompt.format(language="中文", text="I am a programmer")
result = model.invoke(fact_prompt)
str_result = parser.invoke(result)

print(str_result)  # 我是一名程序员

特点：每一步都显式写出来，变量中间结果可见，适合调试理解。

---

链式写法（管道式）

from langchain import PromptTemplate
from langchain_community.chat_models import ChatTongyi
from langchain_core.output_parsers import StrOutputParser

# 创建组件
model = ChatTongyi()
prompt = PromptTemplate(
    template="你是一个翻译助手，请讲以下内容翻译成{language}:{text}"
)
parser = StrOutputParser()

# 用 | 符号把组件串成一条链
chain = prompt | model | parser

# 一次调用，全程自动流转
result = chain.invoke({
    "language": "中文", 
    "text": "I am a programmer"
})

print(result)  # 直接输出：我是一名程序员

特点：一行 chain = prompt | model | parser 定义数据流向，调用时自动按顺序执行。

---

对比总结

维度	普通写法	链式写法
代码行数	多，步骤分散	少，高度浓缩
可读性	适合新手，流程清晰	适合熟练后，一眼看全貌
中间变量	fact_prompt、result、str_result 都暴露	内部自动传递，无中间变量
数据流向	靠变量赋值串联	靠 | 管道符号直观表达
调试难度	容易，每步可打断点检查	稍难，错误可能在链中某环
扩展性	改流程要改多处	改链定义即可，如加 prompt | model | parser | 其他
LangChain 推荐度	教学/理解用	生产/工程用

---

底层执行逻辑

两者完全一样，只是代码组织方式不同：

普通写法:  prompt.format() → model.invoke() → parser.invoke()
链式写法:  prompt | model | parser → chain.invoke()

实际都是:  字典参数 → 填充模板 → 调用模型 → 解析结果 → 输出字符串

\| 只是语法糖，LangChain 内部会把 A | B 转成 RunnableSequence(A, B)，按顺序执行。

---

五、总结

Lang = 语言（模型），Chain = 链（式组合）
LangChain = 让语言模型工作流像搭积木一样简单。

写法	适用场景
普通写法	学习阶段，理解每一步在干什么
链式写法	实际项目，代码简洁、易于维护

建议：先理解普通写法每一步在干什么，再过渡到链式写法写实际项目。

普通写法是"手工作坊"——每一步亲力亲为，看得懂；
链式写法是"流水线"——定义好工序，原料进去成品出来，效率高。

---

本文基于 LangChain 翻译助手示例整理，涵盖提示词模板、模型调用、输出解析及链式编程核心概念。