当开发者第一次接触大模型（LLM）时，通常是从调用各大厂商的 API 开始的。只需几行代码发送一个 HTTP 请求，就能获得模型的回答，看起来似乎非常简单。但随着业务场景逐渐复杂，真实的工程痛点开始浮现。

一、 LangChain 学习之旅：全景目录

在我们深入第一行代码之前，先来了解一下整个学习框架的脉络。本系列博客将带你从零开始，一步步掌握大模型应用开发的核心技术：

1. 基础篇 (Basics)：环境配置、极简调用与 Token 成本控制。（📍你在这里）
2. 核心组件篇 (Core Components)：
   • 提示词模板 (Prompt Templates)：动态构建指令。
   • 输出解析器 (Output Parsers)：让大模型输出结构化的 JSON 数据。
   • 记忆机制 (Memory)：让模型拥有多轮对话的上下文能力。
3. 数据增强篇 (RAG & Data Connection)：文档加载、文本切分、向量化与检索，打造属于你的企业级知识库。
4. 智能体篇 (Agents & Tools)：给大模型装上“手脚”，让它能自主调用搜索引擎、执行代码、操作数据库。

二、 痛点驱动：为什么我们需要 LangChain？

1. 裸调 API 的工程瓶颈

假设我们要开发一个智能客服，初期直接调用 OpenAI 或火山引擎的 API 完全足够。但没过多久，产品经理提出了新需求：

• 无缝切换模型：今天用 GPT-4，明天为了降本增效，要无缝切换到国产的豆包（Doubao）模型。如果直接写死 API 请求，意味着大量胶水代码需要重构。
• 业务上下文注入：大模型没有记忆。为了让它结合公司文档回答问题，我们需要自己写代码去切分文本、向量化、存入数据库、检索并手动拼接进 Prompt 中。
• 不可控的输出：大模型习惯自由发挥，但下游的业务代码往往需要严格的 JSON 格式才能解析。

2. LangChain 的工程定位

大模型只是大脑，而系统需要手脚和血管。
LangChain 不是另一种大模型，而是一个大模型应用编排框架。它提供了一套标准化的抽象接口，把底层各家模型厂商的 API 差异抹平，并将提示词模板（Prompt）、记忆（Memory）、外部工具（Tools）像乐高积木一样拼装起来。

三、 准备工作：环境与配置的工程实践

在真实的工程中，第一道红线就是：绝对不要把 API Key 硬编码在代码中。
为了实现本地调试与生产环境的隔离，我们需要使用 .env 文件来管理环境变量，并安装相关的 LangChain 组件。

1. 注册火山引擎获取大模型 API

在写代码之前，我们需要一个大模型提供商的账号。考虑到国内访问速度和成本，我们推荐使用字节跳动的火山引擎（Volcengine）提供的豆包大模型。对于新注册的用户，火山引擎通常会赠送高达 50 万 Token 的免费额度，足够我们完成所有的基础测试了。

1. 注册与认证：访问火山引擎方舟平台并完成账号注册与实名认证。
2. 获取 API Key：在控制台的“API Key 管理”中创建一个新的 API Key（格式类似于 ark-xxxxxx...）。
3. 创建推理接入点：在“模型推理”菜单中，选择一个模型（例如性价比极高的 Doubao-seed-2.0-mini），点击“创建接入点”，记录下生成的接入点名称（Endpoint）。

Tip: 你可以在控制台实时查看你的免费额度消耗情况。

2. 安装核心依赖

我们需要安装 LangChain 的 OpenAI 接口封装库，以及用于加载环境变量的 python-dotenv：

pip install langchain-openai python-dotenv

3. 配置文件落地

在项目根目录创建一个 .env 文件。这里以接入火山引擎的 Doubao 模型为例：

# 底层网络请求地址（火山引擎 API 兼容 OpenAI 标准协议）
OPENAI_API_BASE="https://ark.cn-beijing.volces.com/api/v3"
# 你的火山引擎 API Key（LangChain 默认读取 OPENAI_API_KEY）
OPENAI_API_KEY="ark-xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
# 官方原生 SDK 习惯读取 ARK_API_KEY，为了兼容性建议一并配上
ARK_API_KEY="ark-xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
# 具体的模型推理接入点（Endpoint）
LLM_MODEL_NAME="doubao-seed-2-0-mini-260428"

通过这种方式，如果我们未来想切换到真正的 OpenAI 或者其他的本地开源模型，只需要修改这一个配置文件，业务代码可以做到零改动。

四、 实战：极简防破产版 Hello World

接下来，我们用最少的代码跑通整个链路。为了防止新手在调试期因为代码死循环或模型“话痨”而导致 Token 账单爆炸，我们在这段代码中加入了一个非常实用的工程小技巧：严格限制最大输出长度。

在 01_Basics/01_quickstart.py 中编写以下代码：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 1. 加载 .env 文件中的配置到环境变量中
load_dotenv()

# 2. 实例化模型（抹平了底层 API 的调用细节）
from pydantic import SecretStr
llm = ChatOpenAI(
    api_key=SecretStr(os.getenv("OPENAI_API_KEY") or os.getenv("ARK_API_KEY") or ""),
    base_url=os.getenv("OPENAI_API_BASE"),
    model=os.getenv("LLM_MODEL_NAME") or "doubao-seed-2-0-mini-260428",
    temperature=0.1,  # 降低随机性，让模型回答更简短、直接
    model_kwargs={"max_tokens": 100}  # 工程技巧：强制限制模型最多只能输出 100 个 token，防破产且省流
)

print("🤖 发送极简请求中...")
# 3. 发送问候
response = llm.invoke("Hi，请简单用中文跟我打个招呼！")
print(f"大模型回答:\n{response.content}")

1. 终端运行日志证明

在终端中执行该脚本，你会看到类似如下的标准化输出：

(HELLOWORLD) ➜  HelloWorld python Langchain-Learning-Journey/01_Basics/01_quickstart.py
🤖 发送极简请求中...
大模型回答:
你好呀！很高兴和你交流😊

2. 代码解析

在这段短短的几行代码中，LangChain 已经悄悄帮我们做了很多事：

1. 协议适配：ChatOpenAI 类不仅能连 OpenAI，只要是兼容 OpenAI API 规范的国产大模型（如火山引擎、DeepSeek），都可以直接通过配置 base_url 来无缝接入。
2. 入参收敛：通过 temperature 和 max_tokens，我们将不可控的生成过程关进了笼子里，确保输出结果在预期成本和可控逻辑范围内。

五、 下一步计划

目前，我们只是把 LangChain 当作一个“套壳的 HTTP 请求客户端”在用，这完全没有发挥出它的威力。
大模型在实际业务中最怕的是“没有上下文”。在下一篇文章中，我们将引入 LangChain 的两大核心杀器：

• Prompt Templates (提示词模板)：如何把用户输入变成结构化的任务指令。
• Output Parsers (输出解析器)：如何把大模型的闲聊废话剥离，强制它输出程序能直接反序列化的 JSON 数据。