LangChain 快速开始

本指南帮助你快速上手 LangChain，构建你的第一个 LLM 应用。

可以把 LangChain 当成“AI 工作流装配线”。
模型只是一个工位，Prompt、解析器、检索器、记忆系统才是整条产线。
这页目标是先装出能跑的最小线体，再逐步加工位。

#建议阅读顺序（面向读者）

1. 先看安装 + 第一个应用，确认环境与调用正常。
2. 再看 Prompt Templates + 输出解析，提升输出稳定性。
3. 最后看 RAG 完整示例，把链路跑成可演示产品。

#安装

#Python

bash复制
pip install langchain langchain-openai langchain-community

#按需安装

bash复制
# OpenAI 支持
pip install langchain-openai

# Anthropic (Claude) 支持
pip install langchain-anthropic

# 向量存储
pip install langchain-chroma  # ChromaDB
pip install langchain-pinecone  # Pinecone

# 文档加载
pip install pypdf  # PDF
pip install unstructured  # 多格式

#环境配置

bash复制
# .env 文件
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...

python复制
from dotenv import load_dotenv
load_dotenv()

#第一个应用

#简单对话

python复制
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 创建模型
llm = ChatOpenAI(model="gpt-4o")

# 发送消息
messages = [
    SystemMessage(content="你是一个专业的程序员"),
    HumanMessage(content="用 Python 写一个快速排序")
]

response = llm.invoke(messages)
print(response.content)

#使用 Claude

python复制
from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-sonnet-4-20250514")

response = llm.invoke("介绍一下 LangChain")
print(response.content)

#Prompt Templates

#基础模板

python复制
from langchain_core.prompts import ChatPromptTemplate

# 创建模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}专家"),
    ("human", "{question}")
])

# 使用模板
messages = prompt.invoke({
    "role": "Python",
    "question": "如何读取 JSON 文件？"
})

response = llm.invoke(messages)
print(response.content)

#字符串模板

python复制
from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "将以下文本翻译成{language}：\n\n{text}"
)

formatted = prompt.format(
    language="英文",
    text="今天天气很好"
)

#输出解析

#字符串解析

python复制
from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()

# 链式调用
chain = prompt | llm | parser
result = chain.invoke({"role": "Python", "question": "什么是装饰器？"})
print(result)  # 直接是字符串

#JSON 解析

python复制
from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel

class Recipe(BaseModel):
    name: str
    ingredients: list[str]
    steps: list[str]

parser = JsonOutputParser(pydantic_object=Recipe)

prompt = ChatPromptTemplate.from_messages([
    ("system", "返回 JSON 格式的食谱。{format_instructions}"),
    ("human", "给我一个{dish}的食谱")
])

chain = prompt | llm | parser
result = chain.invoke({
    "dish": "番茄炒蛋",
    "format_instructions": parser.get_format_instructions()
})

print(result)  # {"name": "番茄炒蛋", "ingredients": [...], "steps": [...]}

#为什么这一步很关键？

很多人以为“模型答对就行”，但生产环境更关注“结构稳定可消费”。
输出解析器就像“质检工位”，确保下游系统拿到的是能直接用的数据。

#LCEL (LangChain Expression Language)

#基础链

python复制
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 组件
prompt = ChatPromptTemplate.from_template("讲一个关于{topic}的笑话")
llm = ChatOpenAI()
parser = StrOutputParser()

# 链式组合
chain = prompt | llm | parser

# 调用
result = chain.invoke({"topic": "程序员"})
print(result)

#流式输出

python复制
for chunk in chain.stream({"topic": "程序员"}):
    print(chunk, end="", flush=True)

#批量处理

python复制
results = chain.batch([
    {"topic": "程序员"},
    {"topic": "产品经理"},
    {"topic": "设计师"}
])

#并行执行

python复制
from langchain_core.runnables import RunnableParallel

# 并行执行多个任务
parallel = RunnableParallel(
    joke=ChatPromptTemplate.from_template("讲一个关于{topic}的笑话") | llm | parser,
    poem=ChatPromptTemplate.from_template("写一首关于{topic}的短诗") | llm | parser
)

result = parallel.invoke({"topic": "春天"})
print(result["joke"])
print(result["poem"])

#记忆 (Memory)

#对话记忆

python复制
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 存储
store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 创建带记忆的链
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="question",
    history_messages_key="history"
)

# 对话
config = {"configurable": {"session_id": "user-123"}}

response1 = chain_with_history.invoke(
    {"question": "我叫小明"},
    config=config
)
response2 = chain_with_history.invoke(
    {"question": "我叫什么名字？"},
    config=config
)  # 会记住你叫小明

#文档加载

#加载文本文件

python复制
from langchain_community.document_loaders import TextLoader

loader = TextLoader("./document.txt")
documents = loader.load()

#加载 PDF

python复制
from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("./document.pdf")
pages = loader.load_and_split()

#加载网页

python复制
from langchain_community.document_loaders import WebBaseLoader

loader = WebBaseLoader("https://example.com/article")
documents = loader.load()

#目录加载

python复制
from langchain_community.document_loaders import DirectoryLoader

loader = DirectoryLoader(
    "./docs/",
    glob="**/*.md",  # 匹配模式
    show_progress=True
)
documents = loader.load()

#文本分割

python复制
from langchain_text_splitters import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,      # 块大小
    chunk_overlap=200,    # 重叠大小
    separators=["\n\n", "\n", " ", ""]  # 分割符
)

chunks = splitter.split_documents(documents)
print(f"分割为 {len(chunks)} 个块")

#完整示例：问答应用

python复制
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 1. 加载文档
loader = TextLoader("./knowledge.txt")
documents = loader.load()

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

# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(chunks, embeddings)

# 4. 创建检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 5. 创建 Prompt
prompt = ChatPromptTemplate.from_template("""
根据以下上下文回答问题。如果上下文中没有相关信息，请说"我不知道"。

上下文：
{context}

问题：{question}

回答：
""")

# 6. 创建 Chain
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI()
    | StrOutputParser()
)

# 7. 使用
answer = chain.invoke("这个项目是做什么的？")
print(answer)

#下一步

• Chains 链 - 深入了解链式调用
• Agents 代理 - 构建智能代理
• RAG 检索增强 - 构建知识库问答

---

提示：LangChain 发展迅速，建议查看 官方文档↗ 获取最新 API。