LangChain 入门：把大模型“组装”成应用的那套乐高（5分钟用通义千问 + LCEL 跑通 Demo）

LangChain 入门：把大模型"组装"成应用的那套乐高（5分钟用通义千问 + LCEL 跑通 Demo）

目标：5 分钟跑通一个"AI 短文生成器"，并在同一套 LCEL 链上，顺手加上 3 种常见扩展：流式输出（streaming）/ 结构化输出（JSON）/ 并行生成（一次出标题+摘要+标签）。

你只要有 DashScope 的 Key，就能复制即跑。

---

0. 你最终会得到什么？

一个最小可用的"内容生产链"：

• 输入：topic（主题）
• 输出：一篇短文（Markdown）
• 扩展 1：边生成边打印（流式）
• 扩展 2：输出 JSON（便于落库/渲染）
• 扩展 3：并行一次生成：标题 / 摘要 / 标签 / 正文（更像产品）

---

1. 先把话说清：LangChain 到底解决啥问题？

只用大模型 API，你很快会遇到 3 类"工程问题"：

1. Prompt 要复用：模板化、参数化、版本管理
2. 任务不是一步：总结→提炼→格式化→校验
3. 模型要"接外部能力"：查资料（RAG）、调接口、算数、读库、跑工作流

LangChain 的价值就是：把这些能力拆成标准零件（Prompt / Model / Parser / Retriever / Tool / Memory...），再用 LCEL（表达式语言）像搭积木一样拼起来：

prompt | model | parser

---

2. 核心能力一屏看懂

你要的能力	LangChain 对应积木
统一调用不同大模型	Chat Model / LLM 封装
可维护的提示词	ChatPromptTemplate
多步骤流水线	Chain / LCEL
知识库问答更准	RAG：Retriever + VectorStore + Embeddings
让模型会"用工具"	Agent + Tools
多轮对话不断片	Message History / Memory

---

3. 5 分钟快速跑通（Baseline：短文生成）

3.1 安装

pip install -U langchain langchain-core langchain-community dashscope

如果你后续要做 RAG，再装：faiss-cpu / chromadb / langchain-text-splitters 等（先别急，5分钟先跑通）。

3.2 配置环境变量（推荐）

export DASHSCOPE_API_KEY="你的Key"

3.3 最小可运行代码：Prompt → Qwen → 文本输出（LCEL）

保存为 main.py：

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1) 模型（通义千问）
llm = ChatTongyi(
    model="qwen-turbo",
    temperature=0.7,
)

# 2) Prompt：system + user
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个写作助理，输出要通俗易懂，尽量给可操作建议。"),
    ("user",
     "请围绕「{topic}」写一篇 180~220 字的中文短文，Markdown 输出。\n"
     "要求：\n"
     "- 先给一句话结论\n"
     "- 再给 3 条要点（列表）\n"
     "- 最后给 1 个落地小例子\n")
])

# 3) 解析器：把 AIMessage -> str
parser = StrOutputParser()

# 4) LCEL：拼链
chain = prompt | llm | parser

if __name__ == "__main__":
    print(chain.invoke({"topic": "什么是 LangChain，以及它解决什么问题"}))

运行：

python main.py

到这里，你已经完成了 "可复用 Prompt + 可替换模型 + 可组合链" 的最小闭环。

---

4. 立刻加 3 个"更像产品"的能力扩展

4.1 扩展 A：流式输出（边生成边打印）

把最后的 invoke 换成 stream：

for chunk in chain.stream({"topic": "如何用 LangChain 搭一个内容生产链"}):
    print(chunk, end="", flush=True)

你会看到模型逐段输出，更适合做 CLI、Web SSE、前端打字机效果。

---

4.2 扩展 B：结构化输出（JSON，方便前端渲染/落库）

很多时候你不想要"散文"，而是想要字段：title、summary、tags、body。

做法：让模型按 JSON 输出，然后用解析器解析。

import json
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

prompt_json = ChatPromptTemplate.from_messages([
    ("system",
     "你是内容结构化助手。只输出严格 JSON（不要代码块，不要多余文字）。"),
    ("user",
     "围绕「{topic}」生成一份内容结构，JSON schema 如下：\n"
     '{'
     '"title": "string", '
     '"summary": "string(<=80字)", '
     '"tags": ["string","string","string"], '
     '"body_md": "string(Markdown, 180~220字)"'
     '}\n'
     "请严格按 schema 输出。")
])

chain_json = prompt_json | llm | StrOutputParser()

raw = chain_json.invoke({"topic": "LangChain 的 LCEL 是什么"})
data = json.loads(raw)  # 解析成 dict

print("title:", data["title"])
print("tags:", data["tags"])
print("body:", data["body_md"])

好处：后续接数据库/埋点/AB 实验/模板渲染都更自然。

---

4.3 扩展 C：并行生成（一次输出标题+摘要+标签+正文）

LangChain 的 runnable 支持"并行图"（很适合内容生产、报告生成、批量要素提取）。

from langchain_core.runnables import RunnableParallel

title_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是标题党克制版助手。"),
    ("user", "给「{topic}」生成一个不夸张但有点击的中文标题（<=18字）。")
])

summary_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是摘要助手。"),
    ("user", "用不超过 80 字总结「{topic}」。")
])

tags_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是标签助手。"),
    ("user", "给「{topic}」生成 3 个中文标签，用逗号分隔。")
])

body_prompt = prompt  # 复用你第3节的短文 prompt

parallel = RunnableParallel({
    "title": title_prompt | llm | StrOutputParser(),
    "summary": summary_prompt | llm | StrOutputParser(),
    "tags": tags_prompt | llm | StrOutputParser(),
    "body_md": body_prompt | llm | StrOutputParser(),
})

out = parallel.invoke({"topic": "用 LangChain 5 分钟跑通 Demo"})
print(out["title"])
print(out["summary"])
print(out["tags"])
print(out["body_md"])

这一步非常"产品化"：你可以直接把 out 喂给前端渲染、存草稿箱、做内容推荐特征抽取等。

---

5. 下一步怎么扩展 LangChain 能力（给你 3 档路线）

Baseline（你已经有了）

• PromptTemplate / ChatModel / LCEL / streaming / JSON 输出 / 并行

Pro（建议一周内补齐）

• RAG：给短文加"参考资料来源"，避免胡编
• LangSmith：链路追踪、错误定位、成本统计
• 评估：同一 topic 多版本生成，A/B 选最优（或用 LLM-as-judge）

Extreme（做成可上线的小产品）

• Agent + Tools：联网检索 / 读数据库 / 调企业 API
• Memory：把用户偏好、写作风格沉淀到对话历史
• LangServe/LangGraph：服务化 + 工作流编排 + 可观测性

---

6. 常见坑（你跑不起来时优先看这几条）

• DASHSCOPE_API_KEY 没生效：确认终端里 echo $DASHSCOPE_API_KEY 有值
• 依赖版本冲突：直接 pip install -U langchain langchain-core langchain-community dashscope
• 输出 JSON 解析失败：让模型"只输出 JSON、不要代码块"，并在 prompt 里强调"严格 JSON"

---