LangChain 入门学习

作者：CSDN博客
文章目录

从零开始学习LangChain：新手入门全指南

一、什么是LangChain？

1. 核心定义2. 用类比理解LangChain3. 核心组件（3大模块）

二、为什么要用LangChain？三、安装与环境配置

1. 基础安装2. LangSmith配置（必学工具）

四、核心功能与基础用法

1. 模型调用（Models）2. 提示词模板（Prompt Templates）3. 链（Chains）：组合组件4. 代理（Agents）：让模型自主决策5. 向量存储与检索（VectorStores）

五、实战案例：构建RAG对话机器人六、总结与学习建议

1. 核心知识点回顾2. 新手学习路径3. 推荐资源

从零开始学习LangChain：新手入门全指南

一、什么是LangChain？

1. 核心定义

LangChain是一个开源框架，专为开发"由大语言模型（LLMs）驱动的应用"设计。简单说，它就像一个"桥梁"，能让GPT-4、Claude等模型：

连接你的私有数据（如数据库、PDF文件）执行具体操作（如发邮件、调用API）组合多个功能完成复杂任务

2. 用类比理解LangChain

官方文档里有个很形象的比喻：LangChain相当于数据库领域的JDBC。

JDBC：统一不同数据库的访问接口，让开发者不用关心底层数据库类型LangChain：统一不同大模型的使用方式，同时提供连接外部系统的能力

3. 核心组件（3大模块）

LangChain的功能通过以下三个核心组件实现：

Components（组件）
给大模型提供"基础工具"，包括：

LLM Wrappers：封装不同大模型的接口，让你能用统一方式调用GPT-4、Gemini等Prompt Templates：提示词模板，避免硬编码文本（比如固定格式的问题模板）Indexes：用于从文档中高效检索相关信息的索引工具

Chains（链）
将多个组件"串联"起来完成特定任务。例如：
用Prompt Templates生成查询→调用Indexes检索文档→让LLM生成答案，这一整套流程就是一个Chain。
Agents（代理）
让大模型能"主动与外部环境交互"。比如：
当模型回答不了问题时，Agent会自动调用搜索引擎获取信息，再基于新信息生成答案。

二、为什么要用LangChain？

对于新手来说，LangChain的核心价值在于：

数据连接能力
大模型默认只能用训练时的数据，而LangChain能让模型访问你的私有数据（如本地文档、数据库）。例如：让模型读取你的PDF简历并生成求职信。
行动执行能力
不止于"回答"，还能"做事"。比如：根据邮件内容自动生成待办事项并添加到日历。
简化开发流程
不用自己写复杂代码连接各种工具，LangChain已经封装好了常用功能，开箱即用。

三、安装与环境配置

1. 基础安装

首先通过pip安装核心库：

1. # 安装LangChain核心框架
2. pip install langchain
3. # 安装OpenAI集成（如果用GPT模型）
4. pip install langchain-openai

复制代码

2. LangSmith配置（必学工具）

LangSmith是LangChain官方的开发平台，用于调试、测试大模型应用，强烈建议新手使用。
步骤如下：

注册账号：访问 LangSmith官网，用GitHub/Google账号登录

• 获取API Key：
  
  登录后进入Settings页面点击"Create API Key"，选择"Personal Access Token"保存生成的API Key（只显示一次，丢失需重新创建）
  
  
  
• 环境变量配置：
  1. import os
  2. os.environ["LANGCHAIN_API_KEY"]="你的API Key"
  3. os.environ["LANGCHAIN_TRACING_V2"]="true"# 开启追踪功能

  复制代码

LangSmith的免费版包含：

1个用户每月5000次免费追踪（记录应用运行过程）基础调试和测试功能

四、核心功能与基础用法

1. 模型调用（Models）

用统一接口调用不同大模型，以OpenAI的GPT-4为例：

1. # 导入OpenAI模型包装器from langchain_openai import ChatOpenAI
3. # 初始化模型（需要OpenAI API Key）
4. os.environ["OPENAI_API_KEY"]="你的OpenAI密钥"
5. model = ChatOpenAI(
6.     model="gpt-4",# 模型名称
7.     temperature=0.7# 创造性参数（0-1，值越高回答越灵活）)# 调用模型生成文本
8. response = model.invoke("用一句话介绍LangChain")print(response.content)

复制代码

参数说明：

model：模型名称（如"gpt-3.5-turbo"、“gpt-4”）temperature：控制输出随机性（0=严谨，1=创造性强）

2. 提示词模板（Prompt Templates）

避免重复编写提示词，动态插入变量：

1. from langchain.prompts import PromptTemplate
3. # 定义模板（用{变量名}作为占位符）
4. template ="请将以下内容翻译成{language}：{text}"
5. prompt = PromptTemplate(
6.     input_variables=["language","text"],# 声明变量
7.     template=template
8. )# 生成具体提示词
9. formatted_prompt = prompt.format(
10.     language="英语",
11.     text="我要去上课了，不能和你聊天了。")# 调用模型
12. response = model.invoke(formatted_prompt)print(response.content)# 输出："I have to go to class and can't chat with you."

复制代码

3. 链（Chains）：组合组件

用LLMChain将提示词模板和模型组合：

1. from langchain.chains import LLMChain
3. # 创建链（连接提示词模板和模型）
4. chain = LLMChain(prompt=prompt, llm=model)# 直接运行链（自动处理格式和调用）
5. response = chain.run({"language":"法语","text":"我要去上课了，不能和你聊天了。"})print(response)# 输出法语翻译结果

复制代码

4. 代理（Agents）：让模型自主决策

Agent能让模型根据需求调用工具（如搜索引擎、计算器）。以简单数学计算为例：

1. # 安装必要库
2. pip install langchain-tools
4. from langchain.agents import initialize_agent, AgentType
5. from langchain.tools import CalculatorTool
7. # 初始化工具（这里用计算器工具）
8. tools =[CalculatorTool()]# 创建代理
9. agent = initialize_agent(
10.     tools,
11.     model,
12.     agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,# 常用代理类型
13.     verbose=True# 显示思考过程)# 让代理解决问题
14. response = agent.run("3的平方加上5的立方等于多少？")print(response)# 输出：134（3²+5³=9+125=134）

复制代码

AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION的特点：

基于"思考-行动-观察"循环适合需要逻辑推理的任务

5. 向量存储与检索（VectorStores）

用于处理文档数据，实现"检索增强生成（RAG）"，步骤如下：

• 安装库：
  1. pip install langchain-chroma  # 轻量级向量数据库
  2. pip install pypdf  # 处理PDF文件

  复制代码
• 加载并分割文档：
  1. from langchain.document_loaders import PyPDFLoader
  2. from langchain.text_splitter import RecursiveCharacterTextSplitter
  4. # 加载PDF
  5. loader = PyPDFLoader("你的文档.pdf")
  6. documents = loader.load()# 分割文档（大文档拆成小块）
  7. text_splitter = RecursiveCharacterTextSplitter(
  8.     chunk_size=1000,# 每块1000字符
  9.     chunk_overlap=200# 块之间重叠200字符（保持上下文）)
  10. splits = text_splitter.split_documents(documents)

  复制代码
• 存储到向量数据库：
  1. from langchain.embeddings import OpenAIEmbeddings
  2. from langchain.vectorstores import Chroma
  4. # 创建向量存储
  5. vectorstore = Chroma.from_documents(
  6.     documents=splits,
  7.     embedding=OpenAIEmbeddings()# 用OpenAI的嵌入模型)# 创建检索器（用于查询相关文档）
  8. retriever = vectorstore.as_retriever()

  复制代码
• 检索并生成答案：
  1. # 检索与问题相关的文档
  2. docs = retriever.get_relevant_documents("文档中关于LangChain的部分讲了什么？")# 结合文档生成答案（用链组合）from langchain.chains import RetrievalQA
  4. qa_chain = RetrievalQA.from_chain_type(
  5.     llm=model,
  6.     chain_type="stuff",# 将文档内容"填充"到提示词中
  7.     retriever=retriever
  8. )
  10. response = qa_chain.run("文档中关于LangChain的部分讲了什么？")print(response)

  复制代码

五、实战案例：构建RAG对话机器人

RAG（检索增强生成）是LangChain最常用的场景，能让机器人基于特定文档回答问题。完整流程如下：

加载数据：用DocumentLoaders读取PDF、网页等内容分割文本：用TextSplitter拆分成小块（适配模型上下文窗口）嵌入存储：将文本转为向量并存入VectorStore检索相关内容：根据用户问题，用Retriever找到相关文本生成答案：让LLM结合问题和检索到的文本生成回答

代码示例（整合版）：

1. # 1. 加载文档
2. loader = PyPDFLoader("课程笔记.pdf")
3. documents = loader.load()# 2. 分割文本
4. text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
5. splits = text_splitter.split_documents(documents)# 3. 存储向量
6. vectorstore = Chroma.from_documents(splits, OpenAIEmbeddings())
7. retriever = vectorstore.as_retriever()# 4. 创建问答链
8. qa_chain = RetrievalQA.from_chain_type(
9.     llm=model,
10.     chain_type="stuff",
11.     retriever=retriever,
12.     return_source_documents=True# 返回引用的文档)# 5. 提问并获取答案
13. result = qa_chain({"query":"课程中提到的LangChain核心组件有哪些？"})print("答案：", result["result"])print("引用文档：",[doc.metadata for doc in result["source_documents"]])

复制代码

六、总结与学习建议

1. 核心知识点回顾

LangChain是连接大模型与外部系统的框架三大组件：Components（工具）、Chains（流程）、Agents（决策）关键功能：数据连接、行动执行、RAG检索增强

2. 新手学习路径

先掌握基础组件（模型调用、提示词模板、简单链）学习向量存储与RAG（最常用场景）尝试用Agent实现复杂任务（如多工具协同）用LangSmith调试和优化应用

3. 推荐资源

官方文档：LangChain Docs实战项目：从简单的PDF问答机器人开始，逐步增加功能

希望这篇指南能帮你快速入门LangChain！如果有任何问题，欢迎在评论区交流～

原文地址：https://blog.csdn.net/TTKunn/article/details/150288247