章节二十四：LangChain
一、LangChain概述
了解LangChain是什么以及为什么需要它。
LangChain：2022年由哈佛大学的Harrison Chase发起的开源框架，专门用于开发由大语言模型驱动的应用程序。它的核心作用是把调用大模型的过程标准化，让你不用关心每个模型厂商的API差异。
为什么需要LangChain：直接调用GPT或DeepSeek的API当然可以，但不同厂商的API格式不同，切换模型时学习成本高。LangChain提供了统一的调用方式，你只需要改一行配置就能换模型，而且内置了提示词模板、链式调用、输出解析等常用功能，让你专注业务逻辑。
第一步：理解LangChain解决的核心问题——统一不同模型的调用接口
第二步：掌握四大核心模块——Model I/O、Chains、Retrieval、Agents
第三步：学会用LangChain调用模型、解析输出、组装流程
二、核心模块
掌握LangChain的四大核心模块及其作用。
Model I/O：标准化大模型的输入和输出。包含三个子模块
- Format（格式化）：通过模板管理提示词，把原始数据插入模板后送给模型
- Predict（预测）：调用模型进行生成
- Parse（解析）：把模型的自然语言输出转换成结构化数据（如JSON）
Chains（链条）：把多个组件串成一个完整流程。比如"提示词模板 → 调用模型 → 解析输出"这三步可以组成一个Chain，一次invoke就能完成全部操作。
Retrieval（检索）：RAG的核心能力，从外部数据源检索相关信息，作为上下文喂给模型，让回答更准确。
Agents（智能体）：让模型自主规划步骤、调用工具来完成复杂任务。Agent会根据用户输入判断需要什么工具，然后一步步执行。
第一步：根据需求选择核心模块——简单调用用Model I/O，多步流程用Chains，需要查资料用Retrieval，需要自主决策用Agents
三、环境准备
掌握API-Key配置和虚拟环境搭建。
API-Key：调用大模型API的身份凭证，相当于"密码"。不同平台（OpenAI、DeepSeek、阿里云等）都有自己的API-Key，注册后生成。
BASE_URL：模型服务的网络地址。不同平台的地址不同，调用时需要同时提供API-Key和BASE_URL。
环境变量：把敏感信息（API-Key）存放在系统环境变量中，避免硬编码到代码里导致泄露。
第一步：在模型服务平台注册账号，生成API-Key
第二步：在项目根目录创建.env文件，写入API-Key和BASE_URL
第三步：安装python-dotenv包，在代码中用load_dotenv()加载环境变量
第四步：用os.getenv()读取环境变量，传入LangChain的模型配置
安全提示：不要把.env文件提交到Git仓库，在.gitignore中加上.env。
四、调用在线模型
掌握通过LangChain调用各大模型平台的方法。
ChatCompletion API：最经典的OpenAI风格API，传入消息列表，返回模型回复。大部分国产模型（DeepSeek、通义千问等）都兼容这个接口。
Responses API：OpenAI 2025年发布的新API，支持服务端内置工具调用和状态维护，是目前最先进的接口。
init_chat_model：LangChain提供的统一初始化方法，一行代码就能创建模型实例，只需要指定模型名和厂商。
第一步：安装对应的LangChain集成包，如langchain-openai、langchain-deepseek
第二步：用init_chat_model(model="gpt-4o", model_provider="openai")创建模型实例
第三步：传入消息列表（包含SystemMessage、HumanMessage等）调用模型
第四步：获取模型返回的AIMessage，提取文本内容
调用方式：除了普通调用，还支持——
- 异步调用：
await llm.ainvoke(...)，适合高并发场景 - 流式调用：
llm.stream(...)，实现打字机效果，逐字输出 - 批次调用：
llm.batch([...])，一次发多个请求，并行处理
五、调用本地模型
了解如何通过Ollama在本地运行大模型。
Ollama：一个开源的本地大模型运行框架，支持Qwen、DeepSeek等主流模型。主要用来本地开发和原型验证，生产环境一般用vLLM。
第一步：从ollama.com下载对应系统的安装包并安装
第二步：命令行执行ollama run qwen3:8b下载并运行模型
第三步：在LangChain中配置base_url="http://localhost:11434"指向本地Ollama服务
第四步：正常调用模型，和在线模型用法完全一样
六、模型输出解析
掌握让模型输出结构化数据的方法。
结构化输出：让模型按指定格式（如JSON）输出结果，而不是自由发挥。这在生产环境中非常重要，因为程序需要解析模型的输出做后续处理。
方法一——Prompt约束：在提示词中明确要求输出JSON格式，配合JSONOutputParser自动解析。但这对模型能力有要求，小模型容易输出格式错误的JSON。
方法二——厂商结构化输出：主流模型API提供了专门的参数限制输出格式。LangChain通过with_structured_output()方法统一封装了各家厂商的能力，不管底层是OpenAI还是Google，调用方式都一样。
Pydantic：Python的数据校验库。先用Pydantic定义好JSON结构（字段名、类型），然后传给with_structured_output()，模型就会按这个结构输出。
第一步：用Pydantic定义输出数据结构（如包含"城市"和"天气"两个字段的类）
第二步：调用llm.with_structured_output(Pydantic类)得到新的模型实例
第三步：正常调用，输出自动解析为Pydantic对象，直接访问属性即可
七、提示词模板
掌握PromptTemplate和ChatPromptTemplate的使用。
提示词模板：把固定文字和变量分开，运行时动态填充变量。比如模板是"你是一位{角色}，请评价{主题}“，运行时传入"角色=美食家、主题=火锅”，就生成完整提示词。
PromptTemplate：字符串模板，适合单轮对话场景。
ChatPromptTemplate：聊天消息模板，可以定义SystemMessage、HumanMessage、AIMessage的模板，适合多轮对话场景。
第一步：创建模板，用{变量名}占位
第二步：传入字典填充变量，生成PromptValue
第三步：PromptValue可以直接传给模型，也可以转成字符串或消息列表
八、Chains链式调用
理解Chains的核心思想和Runnable接口。
Runnable接口：LangChain最底层的统一接口，定义了invoke、stream、batch等标准方法。模型、解析器、模板、检索器都实现了这个接口，所以可以像拼积木一样组合。
链式组装：用管道符|把多个组件串起来。比如prompt | llm | parser就是一个完整的Chain——先填充模板，再调用模型，最后解析输出。一次invoke走完整个流程。
第一步：准备组件（提示词模板、模型实例、输出解析器）
第二步：用管道符连接——chain = prompt | llm | parser
第三步：调用chain.invoke({"变量": "值"})，自动走完整个流程
第四步：获取结构化输出结果
九、LangChain生态包
了解LangChain相关的包及其作用。
langchain：主包，包含构建LLM应用的核心实现。
langchain-core：核心接口和抽象，定义了Runnable、Message等基础类。
langchain-openai/deepseek：与各模型厂商的集成包，封装了具体模型的调用逻辑。
langchain-text-splitters：文档切分工具，用于RAG场景下的长文档处理。
langchain-mcp-adapters：连接MCP工具的适配器，让LangChain应用可以调用外部工具。
名词解释
LangChain：开源框架，用统一的接口封装不同大模型的调用差异，让你像搭积木一样组装AI应用。
Model I/O：LangChain的核心模块，负责模型的输入格式化、调用预测和输出解析三步。
Chain：把多个组件串成一个完整流程，一次调用自动走完。比如"模板→模型→解析器"。
PromptTemplate：提示词模板，把固定内容和变量分开，运行时动态填充，避免重复写提示词。
Pydantic：Python的数据校验库，用来定义数据结构（字段名、类型），LangChain用它来做结构化输出。
结构化输出：让模型按指定格式（如JSON）输出，而不是自由发挥，方便程序解析处理。
Ollama：本地运行大模型的工具框架，适合开发和测试，生产环境用vLLM。
环境变量：存放敏感配置（如API-Key）的地方，避免直接写在代码里造成泄露。
BASE_URL：模型服务的网络地址，不同厂商地址不同，调用API时需要指定。
Runnable：LangChain的统一接口，所有组件（模型、模板、解析器）都实现了它，所以可以链式组合。
