LangChain：让大模型具备思考与行动能力的框架

一、LangChain 是什么？

LangChain 是一个 用于构建基于大语言模型（LLM）的应用框架 。

它的目标是：让开发者能轻松地将大模型（如 GPT、Claude、Qwen、Gemini 等）与外部工具、数据库、API 结合，构建"能理解、能记忆、能推理、能执行"的智能系统。

一句话概括：

LangChain = 大模型 + 记忆 + 工具 + 数据源 + 推理链

二、LangChain 的核心组成部分

LangChain 的结构清晰，可以分为五大核心模块：

模块	作用	举例
LLMs	调用语言模型	`ChatOpenAI`, `ChatQwen`, `ChatAnthropic`
Prompt Templates	统一管理提示词	把"任务说明 + 用户输入"拼接成模型输入
Chains	串联多个步骤形成"推理链"	如：先提取关键词 → 再搜索 → 再总结
Memory	保存对话历史或上下文	让模型"记得"之前说过什么
Agents & Tools	让模型能"调用外部工具"	如：上网搜索、算数学、查数据库

三、LangChain 的基本工作流程

下面是一个最小可运行示例：

复制代码

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

# 1. 定义大模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

# 2. 定义提示词模板
prompt = ChatPromptTemplate.from_template(
    "你是一位AI讲解员，请用通俗语言解释：{concept}"
)

# 3. 构建链
chain = LLMChain(llm=llm, prompt=prompt)

# 4. 运行
result = chain.invoke({"concept": "量子纠缠"})
print(result["text"])

运行结果：

复制代码

量子纠缠是一种奇怪的物理现象...

你会发现：LangChain 把 LLM 的输入输出逻辑化、结构化了。

四、Prompt 模板系统：控制模型输出的关键

LangChain 支持多种提示模板，包括：

PromptTemplate：适用于单轮文本输入
ChatPromptTemplate：用于对话形式的输入
FewShotPromptTemplate：提供少量示例帮助模型学习风格
SystemMessagePromptTemplate / HumanMessagePromptTemplate：用于多角色提示（系统 + 用户）

示例：

复制代码

from langchain.prompts import (
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    ChatPromptTemplate
)

system_prompt = SystemMessagePromptTemplate.from_template(
    "你是一名专业的AI健康顾问。"
)
human_prompt = HumanMessagePromptTemplate.from_template(
    "请用简明语言解释体检报告中{indicator}偏高意味着什么？"
)

chat_prompt = ChatPromptTemplate.from_messages([system_prompt, human_prompt])

这样，模型在调用时就会自动拼接出结构化的多角色提示。

五、Memory：让对话有"记忆"

默认的大模型是"无记忆"的，每次都从零开始。

LangChain 提供了 Memory 模块，让模型可以记住过去的上下文。

复制代码

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

memory = ConversationBufferMemory()
llm = ChatOpenAI(model="gpt-4o-mini")

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

print(conversation.invoke("你好，我叫小明"))
print(conversation.invoke("我刚才说我叫什么名字？"))

输出：

复制代码

你好，小明！
你刚才说你叫小明。

这意味着模型"记住了"之前的内容。

六、Agents：让模型学会"调用工具"

LangChain 的 Agent 模型是它最强大的特性。

它允许大模型在思考过程中决定要不要调用外部工具（如搜索引擎、计算器、数据库等）。

例如：

复制代码

from langchain.agents import initialize_agent, load_tools
from langchain_openai import ChatOpenAI

# 加载工具
tools = load_tools(["llm-math"])

# 定义智能体
llm = ChatOpenAI(model="gpt-4o-mini")
agent = initialize_agent(tools, llm, agent_type="zero-shot-react-description")

# 让模型自主决定调用工具
result = agent.invoke({"input": "请计算 (3.14^2 + 2.71^2)/2 的值"})
print(result["output"])

模型会自动决定调用"数学计算工具"，执行后返回结果。

七、LangChain 与外部知识库结合

LangChain 支持接入 本地文档、向量数据库、检索增强生成（RAG） 。

例如，用 Qdrant / FAISS / Chroma 存储文本向量，然后基于检索做问答：

复制代码

from langchain_community.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# 向量化文档
embeddings = OpenAIEmbeddings()
db = FAISS.from_texts(["LangChain是一个LLM框架", "RAG可以让模型查资料"], embeddings)

# 构建检索问答链
retriever = db.as_retriever()
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o-mini"),
    retriever=retriever,
)

print(qa_chain.invoke("RAG 是做什么的？")["result"])

输出：

复制代码

RAG 用于增强大模型的知识能力，通过检索外部资料来回答问题。

八、实战案例：智能健康咨询系统（示例）

结合 Memory + Prompt + Agent + 外部知识，实现一个智能体检报告问答系统。

复制代码

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

system_prompt = """
你是一位专业的健康咨询助理，擅长解释体检报告、饮食建议和运动指导。
当用户问问题时，请用温和专业的语气回答。
"""

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.5)
memory = ConversationBufferMemory()
chain = ConversationChain(llm=llm, memory=memory, verbose=True)

print(chain.invoke("我血脂有点高怎么办？"))
print(chain.invoke("那我平时能吃鸡蛋吗？"))

结果：

复制代码

血脂高说明血液中脂质水平偏高，建议少吃油炸食物，多吃蔬菜和全谷物。
你可以适量吃鸡蛋，一天1个问题不大，但要避免煎炸。

这就是一个小型 RAG-free 健康问答系统的雏形。

九、LangChain 与 OpenAI API 的关系

项目	职责
OpenAI API	提供语言模型（如 GPT-4、GPT-4o-mini）
LangChain	提供模型调用逻辑、记忆、工具调用、数据链路等封装

因此：

OpenAI = 大脑

LangChain = 神经系统 + 手脚 + 记忆系统

十、总结：LangChain 的价值

✅ 优点：

快速构建复杂的多步推理应用
模块化、扩展性强
支持主流大模型（OpenAI、Qwen、Claude、Gemini 等）
自带 Memory、Tools、RAG、Agents 等高级能力

⚠️ 缺点：

框架抽象层多，调试相对繁琐
对初学者来说理解 prompt 流程和 agent 执行机制有一定门槛

建议的学习路线

掌握基础 LLM 调用 （如 ChatOpenAI）
熟悉 PromptTemplate 与 Chain
理解 Memory 与上下文管理
学习 Agent 的工具调用机制
掌握 RAG（检索增强生成）项目实战