Python:LangChain 构件大模型应用的框架

1、简述

LangChain 是一个用于构建 LLM（大语言模型）应用 的 Python 框架，目标是让开发者更高效地将 模型、提示词、记忆、工具、外部数据源 进行编排（Chain / Agent）。

★

一句话总结：LangChain = LLM + Prompt + Memory + Tools + Data + Agent

2、LangChain 解决了什么问题？

在原生使用 LLM API 时，通常会遇到：

• Prompt 难以复用、维护
• 多轮对话上下文管理复杂
• 模型无法访问外部数据
• 工具调用逻辑混乱
• Agent 行为不可控

LangChain 通过 标准化抽象 解决这些问题。

LangChain 核心架构：

LangChain
 ├── Models        # LLM / ChatModel
 ├── Prompts       # PromptTemplate
 ├── Chains        # LLMChain / SequentialChain
 ├── Memory        # ConversationBufferMemory
 ├── Tools         # Tool
 ├── Agents        # ReAct / Function Calling
 └── Indexes       # VectorStore / Retriever

安装与基础配置：

pip install langchain langchain-community langchain-openai

import os
os.environ["OPENAI_API_KEY"] = "sk-xxx"

3、基础用法

3.1 使用 PromptTemplate

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain

prompt = PromptTemplate(
    input_variables=["topic"],
    template="请用三点总结 {topic} 的核心思想"
)

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)

chain = LLMChain(
    llm=llm,
    prompt=prompt
)

result = chain.run(topic="微服务架构")
print(result)

3.2 多步骤链路：SequentialChain

from langchain.chains import SequentialChain

chain1 = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["topic"],
        template="为 {topic} 生成一个技术博客大纲"
    ),
    output_key="outline"
)

chain2 = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["outline"],
        template="根据以下大纲写一段总结：{outline}"
    ),
    output_key="content"
)

full_chain = SequentialChain(
    chains=[chain1, chain2],
    input_variables=["topic"],
    output_variables=["content"]
)

print(full_chain({"topic": "LangChain"})["content"])

3.3 对话记忆（Memory）

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=llm,
    memory=memory
)

conversation.predict(input="什么是 LangChain？")
conversation.predict(input="它适合用在什么场景？")

4、向量数据库（RAG 实践）

4.1 文档向量化 + 检索

from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS

# 加载文档
loader = TextLoader("docs.txt")
docs = loader.load()

# 切分
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
documents = splitter.split_documents(docs)

# 向量化
vectorstore = FAISS.from_documents(
    documents,
    OpenAIEmbeddings()
)

retriever = vectorstore.as_retriever()

4.2 RetrievalQA

from langchain.chains import RetrievalQA

qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever
)

qa.run("LangChain 的核心优势是什么？")

5、Tools 与 Agent 实战

5.1 自定义 Tool

from langchain.tools import Tool

defmultiply(a: int, b: int) -> int:
return a * b

tool = Tool(
    name="Multiply",
    func=multiply,
    description="用于计算两个整数的乘积"
)

5.2 ReAct Agent

from langchain.agents import initialize_agent, AgentType

agent = initialize_agent(
    tools=[tool],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

agent.run("计算 12 和 8 的乘积")

6、总结

LangChain 并不是“造模型”，而是 让 LLM 真正可编程、可工程化 的关键一环。 它非常适合：

• 需要复杂 Prompt 管理的场景
• LLM + 业务逻辑深度结合
• 构建 Agent / AI Workflow