大家好，我是你们的技术伙伴。👋

站在2026年的时间节点回望，大语言模型（LLM）已经不再是新鲜事物，它渗透在我们生活的方方面面。但作为一名开发者，如果只满足于调用现成的模型，而不懂其内部的运行逻辑，那我们和“调参侠”又有什么区别？

今天，我将结合Python代码实战与深度理论剖析，带你从零构建一套完整的LangChain知识体系。我们将穿越Transformer的迷雾，直击LangChain的核心组件，让你在面对任何LLM面试题或技术难题时，都能从容不迫。

核心内容概览：

1. LangChain核心组件全景：Models、Prompts、Chains、Memory、Indexes、Agents。
2. LCEL链式语法：掌握|操作符，构建高效的处理流水线。
3. 智能体（Agent）实战：让大模型具备“思考”与“行动”的能力。

---

🧠 第一部分：LangChain核心组件全景

LangChain是围绕LLMs建立的一个框架，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度。

1. Models（模型）：AI的“大脑”

Models组件提供了与各种模型的集成接口。目前主要支持三种类型：

• LLMs：接收文本输入，返回文本。
• Chat Models：基于LLMs，接收聊天消息（AIMessage/HumanMessage/SystemMessage）列表作为输入。
• Embeddings Models：接收文本，返回浮点数列表（向量化）。

代码实战：调用通义千问Qwen-Max

from langchain_community.llms.tongyi import Tongyi
from dotenv import load_dotenv
import os

# 1. 加载环境变量
load_dotenv()

# 2. 实例化模型
llm = Tongyi(model='qwen-max')

# 3. 模型推理
res = llm.invoke("帮我讲个笑话吧")
print(res)

2. Prompts（提示词）：与AI沟通的“咒语”

Prompt是引导模型生成特定结果的关键。LangChain提供了PromptTemplate来构建动态提示词。

代码实战：构建通用提示词模板

from langchain_core.prompts import PromptTemplate

# 定义模板
template = "我的邻居姓{lastname}，他生了个儿子，给他儿子起个名字"

# 构建提示词模板
prompt = PromptTemplate(
    input_variables=["lastname"],
    template=template,
)

# 生成提示词
prompt_text = prompt.format(lastname="王")
print(prompt_text)

3. Chains（链）：串联组件的“流水线”

Chain是将LLM与其他组件结合起来完成应用程序的过程。

代码实战：LCEL（LangChain Expression Language）链式语法
LCEL使用|符号将组件连接起来，是目前最推荐的写法。

# 安装：pip install langchain

from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi

# 初始化模型
llm = Tongyi(model='qwen-max')

# 定义模板
prompt = PromptTemplate.from_template(
    "请为姓氏 {lastname} 的宝宝起一个名字，要求有诗意。"
)

# 构建Chain
chain = prompt | llm

# 执行链
result = chain.invoke({"lastname": "李"})
print(result.content)

4. Memory（记忆）：让AI“记得住”你

大模型本身不具备记忆能力，Memory组件用于保存和模型交互时的上下文状态。

代码实战：ConversationChain实现连续对话

from langchain.chains import ConversationChain
from langchain_community.chat_models.tongyi import ChatTongyi

# 实例化聊天模型
chat = ChatTongyi()

# 创建会话链
conversation = ConversationSection(chat)

# 连续对话
print(conversation.predict(input="小明有1只猫"))
print(conversation.predict(input="小刚有2只狗"))
print(conversation.predict(input="小明和小刚一共有几只宠物?"))

5. Indexes（索引）：RAG的“地基”

Indexes组件负责文档处理，包括加载、分割、向量化存储和检索。

代码实战：文档加载与向量存储

from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_chroma import Chroma
from langchain_community.embeddings import DashScopeEmbeddings

# 1. 加载文档
loader = TextLoader('./data/pku.txt', encoding='utf8')
docs = loader.load()

# 2. 文档分割
text_splitter = CharacterTextSplitter(chunk_size=180, chunk_overlap=0)
split_texts = text_splitter.split_documents(docs)

# 3. 加载嵌入模型
embeddings = DashScopeEmbeddings()

# 4. 构建向量库并持久化
vectordb = Chroma.from_documents(
    documents=split_texts,
    embedding=embeddings,
    persist_directory='./chroma_data'
)

6. Agents（智能体）：会“思考”的AI

Agent是LangChain中最强大的组件，它能让模型根据输入决定调用哪些工具（Tools）。

代码实战：Agent调用维基百科与计算器

from langchain.agents import initialize_agent, AgentType
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_community.llms.tongyi import Tongyi

# 初始化模型
llm = Tongyi()

# 加载工具 (维基百科、数学计算)
tools = load_tools(["wikipedia", "llm-math"], llm=llm)

# 初始化Agent
agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, 
    verbose=True # 显示思考过程
)

# 执行任务
agent.invoke("故宫的历史简介是什么？")
agent.invoke("计算300的25%是多少？")

🏗️ 第二部分：LCEL链式语法详解

LCEL（LangChain Expression Language）是LangChain的核心语法糖，它让代码变得极其简洁且可读。

核心逻辑： 就像Unix的管道符|一样，把前一个组件的输出作为后一个组件的输入。

实战案例：构建一个“起名专家”链

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.chat_models.tongyi import ChatTongyi

# 1. 定义提示词模板
prompt = ChatPromptTemplate.from_template(
    "你是一位资深国学专家，请根据姓氏 {lastname}，参考《诗经》，起一个有文化底蕴的名字。"
)

# 2. 初始化模型
model = ChatTongyi(model='qwen-max')

# 3. 初始化解析器 (将模型输出解析为字符串)
parser = StrOutputParser()

# 4. 组装LCEL链
# 执行流程：Prompt -> Model -> Parser
chain = prompt | model | parser

# 5. 调用
result = chain.invoke({"lastname": "苏"})
print(f"推荐名字: {result}")

🤖 第三部分：智能体（Agent）的“思考”之旅

Agent = 大模型 + 任务规划 + 工具使用 + 记忆。它最大的特点是能根据问题动态决定是否需要调用工具。

1. Agent的工作流程

1. Input：接收用户输入。
2. Thought：大模型思考是否需要工具，如果需要，选择哪个工具，传入什么参数。
3. Action：执行工具。
4. Observation：观察工具返回的结果。
5. Final Answer：生成最终答案。

2. 代码实战：自定义工具

我们可以让Agent具备任何能力，比如查询当前时间。

from langchain.agents import tool
from datetime import date

# 定义自定义工具
@tool
def get_current_date(text: str) -> str:
    """返回今天的日期。"""
    return str(date.today())

# 加载原有工具并加入自定义工具
tools = load_tools(["llm-math"], llm=llm)
agent = initialize_agent(tools + [get_current_date], llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

# 提问
agent.invoke("今天是星期几？")

📝 第四部分：总结与展望

回顾这篇文章，我们完成了以下技术探险：

1. 核心组件：掌握了LangChain的六大核心组件。
2. LCEL语法：学会了如何用|构建高效的处理流水线。
3. Agent实战：让AI具备了“思考”与“行动”的能力。

2026年的今天，AI技术日新月异，希望这篇博客能成为你技术进阶路上的垫脚石。如果你觉得有收获，希望点赞、收藏、关注！你的支持是我持续输出硬核内容的最大动力！