LangChain 快速构建你的第一个 LLM 应用

大家好！我是 $数擎 AI$ ，一位热爱探索新技术的前端开发者，在这里分享前端和 Web3D、AI 技术的干货与实战经验。如果你对技术有热情，欢迎关注我的文章，我们一起成长、进步！
开发领域 ：前端开发 | AI 应用 | Web3D | 元宇宙
技术栈 ：JavaScript、React、ThreeJs、WebGL、Go
经验经验 ：6 年+ 前端开发经验，专注于图形渲染和 AI 技术
开源项目 ：智简未来、晓智科技、数擎科技

1. LangChain 是什么？

LangChain 是一个开源框架，专为 大语言模型（LLM） 应用程序构建而设计，它简化了与 LLM 的集成流程，提供了强大的链式调用机制、工具集成能力、记忆与上下文管理等。

一句话总结：

LangChain = LLM 的应用层框架，让你更快、更模块化地搭建 AI 应用。

2. 安装依赖

bash 复制代码

pip install langchain openai

还需要配置 OpenAI API Key：

bash 复制代码

export OPENAI_API_KEY=sk-xxxxx

或写在 .env 文件中。

3. 构建第一个 LLM 应用

python 复制代码

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

llm = ChatOpenAI(temperature=0.7)

response = llm([
    HumanMessage(content="你好，介绍一下LangChain。")
])

print(response.content)

输出示例：

bash 复制代码

LangChain 是一个用于构建语言模型驱动应用程序的框架......

4. 、LangChain 的核心架构

LangChain 主要由以下五个模块组成：

模块	说明
LLMs / ChatModels	接入语言模型（如 OpenAI、Anthropic）
Prompts	提示词模板化与输入输出结构化
Chains	将多个步骤按逻辑组合起来（类似工作流）
Agents	拥有自主决策能力的执行体（可调用工具）
Memory	对话记忆系统，可用于多轮上下文保持

这些模块高度解耦，可按需组合，构建你的 LLM 应用。

5 、LangChain Chain 模型详解

Chain 是 LangChain 最核心的能力，它定义了"从用户输入到最终输出"的处理逻辑。

示例：Prompt + LLM = Chain

python 复制代码

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

prompt = PromptTemplate(
    input_variables=["product"],
    template="为一个{product}写一个创意广告文案。"
)

llm = ChatOpenAI(temperature=0.7)
chain = LLMChain(llm=llm, prompt=prompt)

result = chain.run("AI 眼镜")
print(result)

输出示例：

bash 复制代码

戴上我们的 AI 眼镜，你不仅能看清世界，还能预见未来！

6.、Memory：对话记忆机制

LangChain 的 Memory 模块支持不同的上下文保存方式，如：
ConversationBufferMemory：原始对话串
ConversationSummaryMemory：对话摘要记忆
ConversationBufferWindowMemory：窗口型上下文

示例：添加对话记忆

python 复制代码

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

memory = ConversationBufferMemory()
llm = ChatOpenAI()

conversation = ConversationChain(llm=llm, memory=memory)
conversation.predict(input="你好，我叫tom。")
conversation.predict(input="我今年18岁了。")
conversation.predict(input="我住在上海，你还记得我是谁吗？")

模型会自动带入上下文回答："你是 tom，18 岁，住在上海。"

7、RAG：检索增强生成（Retrieval-Augmented Generation）

RAG 是 LangChain 的杀手级特性，允许 LLM 从外部知识库检索内容，并结合生成回答，突破 GPT 无法访问私有数据的问题。

LangChain + FAISS + 文档问答

python 复制代码

from langchain.vectorstores import FAISS
from langchain.document_loaders import TextLoader
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# 1. 加载文档并向量化
loader = TextLoader("mydoc.txt")
docs = loader.load()

vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
retriever = vectorstore.as_retriever()

# 2. 构建 QA Chain
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(), retriever=retriever
)

qa_chain.run("文档中提到了 LangChain 是做什么的？")

你可以替换向量库为 Pinecone、Weaviate、Chroma 等，支持亿级数据检索

8. Agents：智能体的工作方式

LangChain Agent 是"具备思考 + 工具调用能力"的智能体。你只需告诉它目标，它会自动选择工具（搜索、计算器、数据库等）执行任务。

示例：使用 ReAct Agent

python 复制代码

from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI()
tools = load_tools(["serpapi", "llm-math"], llm=llm)

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

agent.run("北京明天的天气是多少摄氏度，加上今天的日期总和是多少？")

它将自动调用搜索工具查询天气，再调用计算工具完成计算。

9. 总结

LangChain 的出现标志着从"调用 LLM 接口"进入"构建 LLM 应用框架"的新阶段。
它就像 TensorFlow 之于 AI，Spring 之于 Java，提供了模块化、组合式、可拓展的 AI 应用开发能力。
如果你有意向进入 AI 工程、AI 产品开发领域，LangChain 是必备技能。