零基础学AI大模型之LangChain聊天模型多案例实战

工藤学编程2025-10-01 8:43
大家好，我是工藤学编程 🦉 一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉 C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷 【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表 分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列 深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型 零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战

前情摘要：
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate
11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战

本文章目录

零基础学AI大模型之LangChain聊天模型多案例实战

大家好，我是工藤学编程！在上一篇中，我们搞懂了ChatModel的核心特性和ChatPromptTemplate的基础用法，今天这篇咱们直接"落地实战"------围绕**「模板构建→参数注入→LLM调用」** 的完整流程，拆解3个高频业务场景（领域专家、带参数领域专家、合规客服），手把手教你用LangChain快速搭建可复用的聊天模型应用。

先明确一个核心执行顺序，这是所有案例的底层逻辑，务必记住：
from_template（定义单角色模板） → from_messages（组合多角色模板） → format_messages（注入动态参数） → model.invoke（调用LLM生成响应）

一、实战准备：基础依赖与LLM配置

所有案例均基于LangChain核心库 和DeepSeek模型（也可替换为GPT-3.5/4、 Claude等），先完成环境搭建：

1.1 安装依赖

bash 复制代码 
# 核心依赖：LangChain基础框架 + OpenAI兼容适配器（用于调用通义千问等模型）
pip install langchain-core langchain-openai

1.2 通用LLM配置说明

案例中都会用到ChatOpenAI类（注意：虽叫"OpenAI"，但支持配置第三方模型的OpenAI兼容接口，如通义千问的dashscope.aliyuncs.com），关键参数含义：

  • model_name：模型名称（如通义千问的qwen-plus，GPT-3.5的gpt-3.5-turbo）；
  • base_url：模型API的基础地址（通义千问专属地址如上，OpenAI为https://api.openai.com/v1）；
  • api_key：你的模型API密钥（需替换为自己的，通义千问密钥从阿里云DashScope获取）；
  • temperature：随机性参数（0~1，0更严谨、1更灵活，案例中统一设为0.7）。

二、案例1：基础领域专家------固定角色的LLM调用

场景需求：构建一个"Java专家"聊天模型，接收用户关于Java知识点的提问，输出专业解释（无动态参数，角色和回复风格固定）。

核心思路

直接用SystemMessage和HumanMessage构建固定角色的消息列表，跳过模板定义步骤（适合简单、无参数的场景），直接调用LLM。

完整代码与拆解

python 复制代码 
# 1. 导入依赖：LLM客户端 + 消息类型
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
# 2. 初始化LLM模型
model = ChatOpenAI(
    model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写
    base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址
    api_key="none",  # 本地模型通常不需要真实API密钥
    temperature=0.7  # 可根据需要调整温度参数
)

# 3. 构建消息列表（类似Java的List<Message>，固定角色与内容）
messages = [
    # System角色：定义"Java专家"身份和语言要求
    SystemMessage(content="你是一个Java专家，用中文回答，解释要通俗易懂，带核心要点"),
    # Human角色：用户的具体提问（固定为"解释volatile关键字的作用"）
    HumanMessage(content="解释volatile关键字的作用")
]

# 4. 同步调用LLM（invoke()为LangChain标准同步调用方法，类似Java的execute()）
response = model.invoke(messages)

# 5. 输出结果（response.content为LLM的核心回复内容）
print("LLM响应结果：")
print(response.content)

执行结果与分析

复制代码 
LLM响应结果：
<think>
好的，我现在需要解释一下Java中的volatile关键字的作用。首先，我得回忆一下之前学过的相关知识。

我知道，在Java中，变量分为局部变量、实例变量和静态变量三种类型。这些变量在不同场合下会有不同的行为，尤其是在多线程环境中处理时，就需要特别注意。

 volatile关键字主要是针对实例变量的，它的作用是告诉编译器这个变量不会被其他线程修改。这样编译器就可以做一些优化，比如不使用 locks（锁），直接读取和写入同一个内存块，避免了潜在的竞态条件问题。

举个例子，在一个线程中更新变量x，另一个线程在等待的时候读取x，这时候由于变量是volatile，两个线程会在同一个内存块上操作，不会有 race condition的问题出现。这样不仅解决了竞态条件，还可能提升性能，因为不涉及锁的开销。

但是需要注意的是，volatile并不完全等同于静态类型。虽然静态类型在单个线程内不可修改，但它是被其他线程可见的，可能会导致竞态条件或错误的行为。而volatile变量虽然是不可变的，但它对其他线程是可见的，所以最好使用final关键字来隐藏它的可见性。

综合来说，volatile的关键字通过告诉编译器变量不会被修改，从而优化性能并解决竞态条件问题，但需要注意它的使用场景和限制。
</think>

### 解释：

`volatile` 关键字在 Java 中用于标识一个 instance variable（实例变量），声明该变量不会被其他线程修改。当变量被标记为 `volatile` 时，编译器知道这个变量的值是可见的，并且不会有其他线程对它进行更新。

### 核心要点：

1. **阻止并发读写**：
   - 当两个或多个线程在访问同一个 instance variable 时，默认情况下这些线程会竞争锁（mutex）来避免修改和读取操作冲突。`volatile` 关键字可以将这种情况下的竞态条件问题消除。

2. **优化性能**：
   - 因为 `volatile` 变量不会被其他线程修改，编译器可以对访问该变量的代码进行更有效的优化，比如直接使用内存中的值而不需要等待锁的到来。
   
3. **可见性**：
   - 虽然 `volatile` 关键字阻止了其他线程对变量的修改，但它并没有隐藏变量的可见性。其他线程可以读取和写入该变量，但不会进行任何修改。

4. **结合 final**：
   - 如果在字段上同时使用 `final` 和 `volatile`，则表示这个字段是不可修改且不可见的（除了当前线程），这样的字段通常用于私有常量或者作为缓存的保护机制。

### 示例：

```java
public class MyClass {
    volatile int x = 0;

    public void updateX() {
        // 只能被同一个线程内部使用
        x++;
    }
}

// 可见性问题：其他线程可以通过读取x，但无法修改它。
int y = new MyClass().x; // y的值也是 1

// 不许其他线程修改：
public void otherThreadUpdateX() {
    // 这里会抛出一个 ConcurrentModificationException
}


### 总结：

`volatile` 关键字通过阻止其他线程对变量进行修改，使得变量在单个实例内是不可变的。这种特性允许编译器对访问该变量的操作进行优化，并且也隐含了该变量对所有线程都是可见的。
  • 核心亮点 ：无需模板，直接通过SystemMessage固定角色，快速实现"领域专家"的基础能力；
  • 适用场景：角色和提问场景固定（如专属技术问答、固定知识科普）。

三、案例2：带参数的领域专家------动态角色与个性化输出

场景需求：构建一个"可切换领域"的专家模型------支持动态指定领域（如机器学习、Python、Java）、输出风格（如"用比喻说明""带代码示例"），并解释用户指定的概念（如过拟合、装饰器）。

核心思路

用from_template定义单角色的参数化模板（系统角色模板+用户角色模板），再用from_messages组合成完整对话模板，最后用format_messages注入动态参数（领域、风格、概念），实现"一次模板，多场景复用"。

完整代码与拆解

python 复制代码 
# 1. 导入依赖：LLM客户端 + 模板类
from langchain_openai import ChatOpenAI
from langchain_core.prompts import (
    ChatPromptTemplate,          # 对话模板容器
    SystemMessagePromptTemplate, # 系统角色模板
    HumanMessagePromptTemplate   # 用户角色模板
)

# 2. 步骤1：用from_template定义单角色参数化模板（核心：{变量名}表示动态参数）
# 系统角色模板：动态指定领域（{domain}）和输出风格（{style_guide}）
system_template = SystemMessagePromptTemplate.from_template(
    "你是一位专业的{domain}专家，回答需严格满足：{style_guide}"
)
# 用户角色模板：动态指定要解释的概念（{concept}）
human_template = HumanMessagePromptTemplate.from_template(
    "请解释：{concept}"
)

# 3. 步骤2：用from_messages组合多角色模板（将系统模板和用户模板整合为完整对话）
chat_prompt = ChatPromptTemplate.from_messages([
    system_template,  # 加入系统角色模板
    human_template    # 加入用户角色模板
])

# 4. 步骤3：用format_messages注入动态参数（生成可直接传给LLM的消息列表）
# 这里指定：领域=机器学习，风格=用比喻+示例，概念=过拟合
messages = chat_prompt.format_messages(
    domain="机器学习",
    style_guide="使用生活比喻和具体示例说明，避免专业术语堆砌",
    concept="过拟合"
)

# 5. 初始化LLM模型（同案例1）
model = ChatOpenAI(
    model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写
    base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址
    api_key="none",  # 本地模型通常不需要真实API密钥
    temperature=0.7  # 可根据需要调整温度参数
)

# 6. 调用LLM并输出结果
response = model.invoke(messages)
print("带参数领域专家响应结果：")
print(response.content)

执行结果与分析

复制代码 
带参数领域专家响应结果：
<think>
嗯，用户问的是"过拟合"，我得先理解一下这个概念。过拟合在机器学习中是一个常见的问题，指的是模型在训练数据上表现很好，但是泛化能力差，在新的数据上效果不佳。

要怎么用生活比喻来解释呢？比如，学生考试前过度复习，记住了所有题型，结果考试时遇到新题型就发挥不好。这个比喻挺直观的，大家都能明白。

具体例子方面，可以想到分类问题，比如识别水果。如果模型只学了几个特定的水果的样子，碰到其他新的水果就会搞错，这就是过拟合的表现。这样用户就能明白为什么过拟合是个大问题。

还要解释原因和解决方法。过拟合的原因通常是训练数据不够或者模型复杂度太高。解决办法包括正则化、交叉验证、简化模型等，这些在实际操作中都是常用的方法。

最后，总结一下过拟合的影响，强调需要找到一个平衡点，让模型既能记住训练内容又具备泛化能力。
</think>

过拟合就像一个学生在考试前过度复习，结果记住了所有练习题的解法，但遇到新的题目时却无法运用这些知识正确作答。这种现象可以用生活中的例子来更好地理解。

### 生活比喻：
想象一下你正在学习如何识别水果。如果你花了很多时间仔细研究每种水果的样子，甚至记住它们的每一个细节（比如某个苹果的具体颜色、纹路等等），结果当你看到一个新的水果时，无法准确判断它是什么。这就是过拟合的表现：模型在训练数据中表现得太好，但不能很好地应对新的、未知的情况。

### 具体示例：
1. **分类问题**：
   你有一个分类模型，用来识别图片中的物品（比如动物、植物等）。如果你的模型经过过度训练，它可能会非常熟悉已有的图片，甚至记住每个细节。然而，当它面对一张从未见过的新图片时，可能无法正确分类------这就是过拟合。

2. **正则化问题**：
   在一个简单的线性回归模型中，如果模型过于复杂（即参数过多），它可能会完美地拟合训练数据集。然而，这样的模型在预测新的数据时往往表现不佳，因为它对训练数据的噪声和异常值过于敏感------这也是过拟合的一个典型例子。

### 原因与解决方法：
- **原因**：过度复杂的模型（比如深度神经网络）或者缺乏足够的训练数据都可能导致过拟合。
- **解决方法**：
  - 使用正则化技术，限制模型的复杂度。
  - 增加训练数据量或使用数据增强（data augmentation）来提高模型的泛化能力。
  - 进行交叉验证以确保模型在不同数据集上表现良好。

### 总结：
过拟合的本质是模型在学习过程中过于专注于训练数据，而忽略了数据中的普遍规律。为了避免这种情况，关键在于找到一个平衡点：让模型既能记住训练内容，又具备泛化的能力。
  • 核心亮点 ：通过from_template定义参数化模板，from_messages组合，实现"一套代码支持多领域、多风格"，复用性极强；
  • 关键逻辑 ：from_template负责"拆"（单角色参数化），from_messages负责"合"（多角色整合），format_messages负责"填"（注入参数）。

四、案例3：合规客服系统------场景化约束与风险控制

场景需求：构建一个企业客服助手，需满足严格的合规规则：不透露内部系统名、不提供医疗/金融建议、特定场景（如病情咨询、支付问题）转人工，同时支持动态指定企业名称、用户等级。

核心思路

用ChatPromptTemplate.from_messages直接定义"系统+用户"的组合模板（跳过单独的from_template，适合模板逻辑较简单的场景），在system prompt中明确合规约束，通过参数注入业务信息（企业名、转人工条件、用户等级），确保LLM严格遵守规则。

完整代码与拆解

python 复制代码 
# 1. 导入依赖：LLM客户端 + 对话模板
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 2. 初始化LLM模型（同前）
# model = ChatOpenAI(
#     model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写
#     base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址
#     api_key="none",  # 本地模型通常不需要真实API密钥
#     temperature=0.7  # 可根据需要调整温度参数
# )

# 3. 步骤1：用from_messages定义合规客服模板（系统角色含约束，用户角色含参数）
compliance_template = ChatPromptTemplate.from_messages([
    # 系统角色：明确企业、合规规则、转人工条件（{company}、{transfer_cond}为参数）
    ("system", """您是{company}的客服助手，必须严格遵守以下规则：
1. 不透露任何内部系统名称（如CRM、订单系统名）；
2. 绝对不提供医疗建议、金融投资建议；
3. 遇到{transfer_cond}这类问题，必须回复"已为您转接人工客服，请耐心等待"，不做额外解释；
4. 回复需礼貌，开头需称呼用户等级（如"VIP用户您好"）。"""),
    # 用户角色：动态指定用户等级（{user_level}）和提问（{query}）
    ("human", "[{user_level}用户]：{query}")
])

# 4. 步骤2：注入参数生成消息列表（模拟"VIP用户问感冒吃什么药"）
messages = compliance_template.format_messages(
    company="老王医生",    # 企业名称
    transfer_cond="病情咨询、支付问题",  # 转人工条件
    user_level="VIP",            # 用户等级
    query="感冒应该吃什么药？"    # 用户提问（属于"病情咨询"，需转人工）
)

# 5. 调用LLM并输出结果
response = model.invoke(messages)
print("合规客服系统响应结果：")
print(response.content)

执行结果与分析

复制代码 
合规客服系统响应结果：
<think>
好，我现在需要处理用户的咨询。用户是VIP级别的，询问感冒应该吃什么药。

首先，我要确认用户的需求是否涉及医疗建议。根据规则，我不能提供医疗建议或医疗建议的回复，所以这可能是一个问题。

接下来，查看是否有内部系统名称提到。这里并没有提到任何CRM或其他系统，所以我可以继续处理。

然后，考虑是否需要转接人工客服。根据规则，遇到健康咨询时，应该转接，而不是给出药物建议。即使用户想知道吃什么药，但直接给出药物可能违反规定，所以可能需要转接。

另外，检查是否有其他问题，比如支付问题或订单问题，这显然不在当前范围内。

现在决定：按照规则，当涉及到健康咨询时，应转接人工客服，而不提供药物推荐。因此，我应该回复用户，让他们耐心等待，并转接他们到人工客服。

最后，确保回复礼貌，开头称呼VIP用户，并符合所有规定。
</think>

已为您转接人工客服，请耐心等待。
  • 核心亮点 ：通过system prompt的"规则清单"实现强约束，LLM会自动识别用户提问是否命中"转人工条件"（如案例中"感冒吃药"属于"病情咨询"），严格执行合规逻辑；
  • 关键设计：将"可变业务信息"（企业名、转人工条件）设为参数，无需修改模板即可适配不同企业/场景，降低维护成本。

五、实战总结：核心流程与关键技巧

1.3个实战技巧

  • 模板设计 ：简单场景用from_messages直接定义组合模板；复杂场景用from_template拆单角色模板，再用from_messages整合；
  • 合规控制 ：将规则（如禁止内容、转人工条件）写在system prompt中，用"清单式描述"（1.2.3.）让LLM更易理解；
  • 参数化：把"可变信息"（领域、企业名、用户等级）设为参数，避免硬编码，提升模板复用性。

2. 模型替换建议

案例中用的是deepseek，若想替换为其他模型，只需修改model_name和base_url：

  • GPT-3.5/4：model_name="gpt-3.5-turbo"，base_url="https://api.openai.com/v1"；
  • Claude 3：需用langchain_anthropic库的ChatAnthropic类，而非ChatOpenAI。

关注我，跟着实战学AI大模型不迷路～ 🚀

相关推荐
syso_稻草人29 分钟前
基于 ComfyUI + Wan2.2 animate实现 AI 视频人物换衣：完整工作流解析与资源整合（附一键包）
人工智能·音视频
qq_4369621834 分钟前
AI+BI工具全景指南：重构企业数据决策效能
人工智能·重构
sali-tec37 分钟前
C# 基于halcon的视觉工作流-章48-短路断路
开发语言·图像处理·人工智能·算法·计算机视觉
cuicuiniu52137 分钟前
浩辰CAD 看图王 推出「图小智AI客服」，重构设计服务新体验
人工智能·cad·cad看图·cad看图软件·cad看图王
SSO_Crown38 分钟前
2025年HR 数字化转型：从工具应用到组织能力重构的深度变革
人工智能·重构
无风听海40 分钟前
神经网络之单词的语义表示
人工智能·深度学习·神经网络
我叫侯小科1 小时前
YOLOv4：目标检测界的 “集大成者”
人工智能·yolo·目标检测
小姐姐味道1 小时前
AI应用时代：多读论文勤尝试，少做讨论少分享，是活下去的关键
人工智能·程序员·开源
星期天要睡觉1 小时前
大模型（Large Language Model, LLM）——什么是大模型，大模型的基本原理、架构、流程
人工智能·python·ai·语言模型
墨利昂2 小时前
机器学习和深度学习模型训练流程
人工智能·深度学习·机器学习
热门推荐
01GitHub 镜像站点02BongoCat - 跨平台键盘猫动画工具03UV安装并设置国内源04Linux下V2Ray安装配置指南05GitLab 零基础入门指南：从安装到项目管理全流程06一文了解国产算子编程语言 TileLang，TileLang 对国产开源生态的影响与启示07NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南08在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）092025软件测试面试八股文（含答案+文档）10两千字总结：Codex 国内如何安装和使用的教程，以及如何设置中文回答