目录

一、什么是LangChain

二、LangChain主要组件

1.Models（模型）

2.Prompts（提示词）

3.Memory （记忆）

4.Chains（链）

5. Document (加载文本)

6.TextSplitters（文本切片）

7.Embeddings（向量化）

8.VectorStores (存储和检索向量)

9.Agent（代理）

10.Tools （工具）

三、综合各组件，简单案例

---

一、什么是LangChain

LangChain由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架。 是一个开源编排框架，可简化使用大语言模型 (LLM) 构建应用的过程。 它提供用于将LLM 连接到各种数据源的各种工具和组件，从而创建复杂的多步工作流。

本质上就是把 Prompt、模型、解析器、知识库、工具、Agent 编排到一起的开发框架。

参考官网介绍：https://python.langchain.com/docs/integrations/text_embedding/huggingfacehub

二、LangChain主要组件

安装：

        pip install langchain

        pip install langchain_community

查看当前环境版本号

        python -m pip show langchain

早期框架：

                                

目前主流

LangChain主要支持组件：

1. Models / ChatModels：调用大模型
2. Prompt Templates：管理提示词
3. Output Parsers：解析模型输出
4. Chains / Runnable：把组件串起来
5. Document Loaders：加载文档
6. Text Splitters：切分文本
7. Embeddings：文本向量化
8. Vector Stores：存储和检索向量
9. Retrievers：根据问题查资料
10. Tools / Agents：工具调用和智能体决策

下面已本地 Ollama模型 调用qwen3:8B 举例（代码），langchain版本 1.2.10

1.Models（模型）

LangChain 目前支持三种类型的模型：LLMS、Chat Models、Embedding Models

模型的创建：

llm = OllamaLLM(
    model="qwen3:8b",
    base_url="http://localhost:11434"
)

llm = ChatOllama(
    model="qwen3:8b",
    base_url="http://localhost:11434"
)

embed = OllamaEmbeddings(
    model="mxbai-embed-large",
    base_url="http://localhost:11434"
)

2.Prompts（提示词）

这里以 PromptTemplate、FewShotPromptTemplate 举例

思路： 

    ① 创建 PromptTemplate
    ② format(lastname="王") 生成提示词
    ③ return prompt_text
    ④ llm.invoke(prompt_text) 发给 qwen3:8b
    ⑤ print(result) 打印模型回答

def promptTemplate_demo1():
    template = "我的邻居姓{lastname}，他生了个儿子，给他儿子起个名字"
    prompt = PromptTemplate(
        input_variables=["lastname"],
        template=template,
    )

    prompt_text = prompt.format(lastname="王")
    # result: 我的邻居姓王，他生了个儿子，给他儿子起个名字
    return prompt_text

def promptTemplate_demo2():
    # 案例
    examples = [
        {"word": "开心", "antonym": "难过"},
        {"word" : "高", "antonym": "低"}
    ]

    # 提示词
    example_template = ("单词: {word} 反义词: {antonym}\n\n")

    example_prompt = PromptTemplate(
        input_variables=["word", "antonym"],
        template=example_template,
    )

    few_shot_prompt = FewShotPromptTemplate(
        examples = examples,
        example_prompt = example_prompt,
        prefix = "给出每个单词的反义词",
        suffix = "单词:{input}\n反义词:",
        input_variables = ["input"],
        example_separator="\n\n"
    )

    prompt_text = few_shot_prompt.format(input="粗")
    return prompt_text

if __name__ == "__main__":
    prompt_text1 = promptTemplate_demo1()
    # prompt_text2 = promptTemplate_demo2()

    result = llm.invoke(prompt_text1)
    print(result)

3.Memory （记忆）

这里使用

from langchain_classic.memory import ConversationBufferMemory

流程：输入 -> 取历史对话 -> 对话加入提示词 -> （输入+提示词）-> 调用模型 ->

           保存（输入+模型输出）Indexes

4.Chains（链）

思路：就是把步骤串起来 （prompt + llm）

llm = OllamaLLM(
    model="qwen3:8b",
    base_url="http://localhost:11434"
)

template = "我的邻居姓{lastname}，他生了个儿子，给他儿子起个名字"
prompt = PromptTemplate(
    input_variables=["lastname"],
    template=template,
)

"""
PromptTemplate
    ↓
生成完整提示词
    ↓
OllamaLLM
    ↓
模型生成回答
"""
chain = prompt | llm

result = chain.invoke({
    "lastname": "林"
})

print(result)

5. Document (加载文本)

from langchain_core.documents import Document

# 1 原始文本
docs = [
    Document(page_content="LangChain 是一个 LLM 应用开发框架。"),
    Document(page_content="LangGraph 更适合构建有状态、多步骤、可循环的 Agent。"),
]

6.TextSplitters（文本切片）

from langchain_text_splitters import RecursiveCharacterTextSplitter

# 2 切片
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,     #切片大小
    chunk_overlap=50    #允许重复数
)
splits = splitter.split_documents(docs)

7.Embeddings（向量化）

from langchain_ollama import OllamaEmbeddings, ChatOllama

# 3 创建向量模型
embed = OllamaEmbeddings(
    model="mxbai-embed-large",
    base_url="http://localhost:11434"
)

8.VectorStores (存储和检索向量)

from langchain_chroma import Chroma

# 4 文本 -> 向量 -> 保存chroma 数据库
vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=embed,
    persist_directory="./save_db/chroma_doc_chat_db"
)

# 5 取回（设置topK）
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

9.Agent（代理）

10.Tools （工具）

后续专门写一篇内容比较多

三、综合各组件，简单案例

流程：加载文本数据 -> 切片 -> 向量化 -> 保存向量数据库 -> 从向量数据库中取TopK ->

          聊天模型 -> 提示词 -> 链 -> 执行。

from langchain_ollama import OllamaEmbeddings, ChatOllama
from langchain_chroma import Chroma
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1 原始文本
docs = [
    Document(page_content="LangChain 是一个 LLM 应用开发框架。"),
    Document(page_content="LangGraph 更适合构建有状态、多步骤、可循环的 Agent。"),
]

# 2 切片
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,     #切片大小
    chunk_overlap=50    #允许重复数
)
splits = splitter.split_documents(docs)

# 3 创建向量模型
embed = OllamaEmbeddings(
    model="mxbai-embed-large",
    base_url="http://localhost:11434"
)

# 4 文本 -> 向量 -> 保存chroma 数据库
vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=embed,
    persist_directory="./save_db/chroma_doc_chat_db"
)

# 5 取回（设置topK）
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 6 聊天模型
llm = ChatOllama(
    model="qwen3:8b",
    base_url="http://localhost:11434"
)

# 7 聊提示词
prompt = ChatPromptTemplate.from_template("""
    请根据下面的资料回答问题.
    
    资料：
    {context}
    
    问题:
    {question}
""")

def format_docs(docs: list[Document]):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {
        "context": retriever | format_docs,  #本身pycharm 可能不太理解 LCEL 管道写法。
        "question": RunnablePassthrough()
    }
    | prompt
    | llm
    | StrOutputParser()
)

if __name__ == "__main__":
    result = rag_chain.invoke("LangGraph 适合做什么？")
    text = rag_chain.get_prompts()
    print(result)
    print(text)