零基础 | LangChain 构建大模型应用的开发框架

文章目录

• • 📄 基本信息
  • 🚀 LangChain框架概述
  • • 核心定位
    • 生态系统
    • 核心价值
    • 使用建议
    • 选择考量
  • 🧩 LangChain核心抽象详解
  • • 核心抽象组件
    • ChatModel详解
    • PromptTemplate详解
    • OutputParser详解
    • 核心抽象的价值
  • 📝 使用示例
  • • 运行结果
  • 🎯 功能概述
  • 🔧 核心技术点
  • 📊 代码结构分析
  • 🔍 关键代码解析
  • • 1. 三大核心组件初始化
    • 2. Chain构造与执行
    • 3. 流式响应处理
  • 📝 扩展使用示例
  • • 运行结果
  • 💡 学习建议
  • 📚 相关资源
  • � 总结

📄 基本信息

• 创建时间：2025-12-24 18:02
• 作者：zuozewei
• 功能：LangChain三大核心组件演示
• 技术栈：Python、LangChain、DeepSeek API

🚀 LangChain框架概述

核心定位

LangChain是一个开发框架，提供基础抽象和LangChain表达式语言(LCEL)，通过管道符简化了组装链的过程，提升了代码的表达性。它不只是一个框架，而是一个完整的生态系统，包括社区生态和扩展生态。

生态系统

1. 社区生态：包含大量的各种实现和工具，需要根据需求选择相应的实现
2. 扩展生态：包括LangServe、LangSmith、LangGraph等工具和平台，提供更多可做的事情
3. 核心库：提供基础组件和抽象

核心价值

1. 学习材料：提供了大量示例和提示词模板，是一个很好的学习资源
2. 基础抽象：提供了一些开发应用所需的基础抽象，大部分实现由社区生态提供
3. 表达式语言LCEL：通过管道符简化了组装链的过程，提升了代码的表达性
4. 完整生态：从框架到工具链，提供完整的大模型应用开发支持

使用建议

1. 需求评估：根据自己的情况评估使用场景，LangChain不是社区里的唯一选择
2. 持续关注：持续关注和了解LangChain的新发展
3. 生态利用：充分利用社区生态和扩展生态提供的资源
4. 合理选择：根据项目需求和团队情况，评估是否选择使用LangChain

选择考量

• 项目规模：小型项目可能只需要部分组件
• 团队熟悉度：考虑团队对框架的熟悉程度
• 定制需求：评估框架是否满足特定定制需求
• 长期维护：考虑框架的可持续性和社区支持

🧩 LangChain核心抽象详解

核心抽象组件

LangChain的核心抽象包括ChatModel、PromptTemplate和OutputParser，它们是构建大模型应用的核心部分，分别处理模型调用、输入和输出。

ChatModel详解

1. 核心地位：是整个框架的核心，根据输入的内容生成输出
2. 调用方法：
   • 同步调用：使用invoke()方法
   • 流式处理：使用stream()方法
   • 批处理：处理多个输入
   • 异步调用：使用ainvoke()等异步方法
3. 社区实现：如OpenAI提供了ChatModel和Embedding模型，统一放到langchain-openai包中
4. 简化代码：通过统一接口，简化了不同模型服务的调用代码

PromptTemplate详解

1. 概念：用于预置提示词，可以不断调整以达到更好的效果
2. 共享性：可以共享给其他开发者使用
3. 使用方法：
   • 创建模板：定义提示词结构和占位符
   • 组装模型链：与ChatModel和OutputParser组合
   • 调用链：通过替换占位符将输入参数处理成发给模型的消息
4. 有效拆分：有效拆分了开发者提示词和用户提示词

OutputParser详解

1. 功能：负责处理输出结果的解析过程
2. 常用解析器：
   • StrOutputParser：将输出解析为字符串
   • JsonOutputParser：将输出解析为JSON格式
3. 其他解析器：
   • JSON、CSV、分隔符、枚举等格式解析器
   • 相应的格式指令
4. 包含格式指令：处理输出时包含了格式指令，确保输出符合预期格式

核心抽象的价值

1. 统一接口：提供了标准化的接口，简化了开发流程
2. 职责分离：
   • ChatModel：处理模型调用
   • PromptTemplate：处理输入
   • OutputParser：处理输出
3. 灵活性：可以根据需要组合不同的实现
4. 扩展性：社区可以提供更多的实现和工具

📝 使用示例

# -*- coding: utf-8 -*-""" @Time : 2026/01/02 09:39 @Author : zuozewei @File : 2.LangChain的核心抽象.py @Desc : LangChain的核心抽象 """importosimportdotenvfromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAI# 加载环境变量dotenv.load_dotenv()# ChatModel: 对于大模型的抽象llm=ChatOpenAI(openai_api_key=os.getenv("OPENAI_API_KEY"),openai_api_base=os.getenv("OPENAI_API_BASE"),model_name=os.getenv("AI_MODEL","deepseek-chat"),)# PromptTemplate: 负责编排提示词prompt=ChatPromptTemplate.from_messages([("system","请将下面的内容翻译成英文："),("user","{text}"),])# OutputParser: 负责解析LLM的生成结果parser=StrOutputParser()# 构造Chain# Chain中组件的声明顺序,就是其实际的执行顺序chain=prompt|llm|parser# 调用Chain,获取执行结果# 采用流式响应# 流式响应返回的是一个Token的Iterator,可以通过for循环遍历stream=chain.stream({"text":"床前明月光,疑似地上霜"})forchunkinstream:print(chunk,flush=True,end="")print()

运行结果

Before my bed, there is bright moonlight, It seems like frost on the ground.

🎯 功能概述

示例展示了LangChain框架的三大核心抽象组件：ChatModel、PromptTemplate和OutputParser，并演示了如何使用管道操作符|将这些组件串联起来形成一个完整的处理链。

🔧 核心技术点

1. LangChain核心组件
2. 管道操作符串联
3. 流式响应处理
4. 提示词模板
5. 输出解析

📊 代码结构分析

1. 导入依赖库2. 加载环境变量3. 初始化ChatModel4. 创建PromptTemplate5. 定义OutputParser6. 构造处理Chain7. 调用Chain并处理流式响应

🔍 关键代码解析

1. 三大核心组件初始化

# ChatModel: 对于大模型的抽象llm=ChatOpenAI(openai_api_key=os.getenv("OPENAI_API_KEY"),openai_api_base=os.getenv("OPENAI_API_BASE"),model_name=os.getenv("AI_MODEL","deepseek-chat"),)# PromptTemplate: 负责编排提示词prompt=ChatPromptTemplate.from_messages([("system","请将下面的内容翻译成英文："),("user","{text}"),])# OutputParser: 负责解析LLM的生成结果parser=StrOutputParser()

• ChatModel：抽象了不同的大模型服务，提供统一接口
• PromptTemplate：管理提示词的结构和变量，支持模板化
• OutputParser：将模型输出转换为结构化数据，如字符串、JSON等

2. Chain构造与执行

# 构造Chain# Chain中组件的声明顺序,就是其实际的执行顺序chain=prompt|llm|parser

• 使用管道操作符|串联组件，形成数据处理流程
• 执行顺序：prompt → llm → parser
• Chain的构造方式简洁明了，便于维护和扩展

3. 流式响应处理

# 调用Chain,获取执行结果# 采用流式响应# 流式响应返回的是一个Token的Iterator,可以通过for循环遍历stream=chain.stream({"text":"床前明月光,疑似地上霜"})forchunkinstream:print(chunk,flush=True,end="")print()

• 使用stream()方法获取流式响应
• 通过迭代器逐个获取生成的Token
• 设置flush=True和end=""实现实时输出效果

📝 扩展使用示例

# -*- coding: utf-8 -*-""" @Time : 2026/01/02 09:39 @Author : zuozewei @File : 2.LangChain的核心抽象.py @Desc : LangChain的核心抽象 - 情感分析示例 """importosimportdotenvfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_openaiimportChatOpenAI# 加载环境变量dotenv.load_dotenv()# 定义情感分析提示词prompt=ChatPromptTemplate.from_messages([("system","请分析用户输入的情感倾向，返回'积极'、'消极'或'中性'。"),("user","{text}"),])# 初始化组件llm=ChatOpenAI(model_name=os.getenv("AI_MODEL","deepseek-chat"))parser=StrOutputParser()# 构造并执行Chainchain=prompt|llm|parser result=chain.invoke({"text":"今天天气真好，心情非常愉快！"})print(f"情感分析结果:{result}")

运行结果

情感分析结果: 积极

💡 学习建议

1. 组件组合：尝试组合不同的PromptTemplate、ChatModel和OutputParser，实现多样化功能
2. 参数调优：根据任务需求调整LLM的temperature、max_tokens等参数
3. 错误处理：为Chain添加异常处理机制，提高代码健壮性
4. 扩展组件：学习自定义PromptTemplate和OutputParser，满足特定需求
5. 性能优化：对于高频调用，考虑添加缓存机制

📚 相关资源

• LangChain官方文档
• LangChain核心组件
• DeepSeek API文档

� 总结

LangChain框架通过ChatModel、PromptTemplate和OutputParser三大核心抽象，为大模型应用开发提供了标准化的接口和灵活的组合方式。使用管道操作符|可以轻松串联这些组件，形成完整的处理链，简化了代码结构，提升了开发效率。

本文通过详细的代码示例和解析，展示了如何使用LangChain的核心组件构建实际应用，包括基本的翻译功能和情感分析功能。同时，本文还介绍了LangChain的生态系统和使用建议，帮助开发者更好地理解和应用这一框架。

最终，是否选择LangChain应基于个人或团队的具体需求评估，权衡其优势与局限性，充分利用其生态系统的价值，为大模型应用开发赋能。