零基础入门：使用LangChain + GPT-4

一只大侠的侠2026-01-31 10:08

零基础入门：使用LangChain + GPT-4在30分钟内搭建你的第一个AI问答机器人

在AI应用开发的浪潮中，基于大语言模型的问答机器人已经成为最具实用性的入门场景之一。如果你曾好奇"如何快速拥有一个专属的AI问答助手"，那么这篇教程正是为你准备的。今天，我们将用LangChain框架结合GPT-4，在30分钟内从零搭建一个可运行的AI问答机器人，全程代码可直接复用，即使你是零基础也能轻松上手。

一、核心概念快速理解

在开始实操前，先花2分钟理清两个核心工具的作用，避免"知其然不知其所以然"：

  • LangChain：一款专为大语言模型应用开发设计的框架，核心价值是"链接"------把大模型、数据源、工具、记忆能力等组件像乐高一样拼接起来，大幅降低AI应用开发门槛。
  • GPT-4：OpenAI推出的高性能大语言模型，提供强大的自然语言理解和生成能力，是我们问答机器人的"大脑"。
  • 核心逻辑：我们将通过LangChain封装的接口调用GPT-4，搭建一个支持上下文对话、可自定义提示词的问答机器人，实现"提问-回答-记忆对话历史"的完整流程。

二、环境准备（5分钟）

1. 安装依赖库

首先确保你的电脑安装了Python（3.8及以上版本），然后打开终端/命令行，执行以下命令安装所需依赖：

bash 复制代码 
# 核心依赖：LangChain框架
pip install langchain
# OpenAI SDK：用于调用GPT-4 API
pip install openai
# 环境变量管理：避免硬编码API密钥
pip install python-dotenv
# 可选：美化输出格式
pip install rich

2. 获取OpenAI API密钥

env 复制代码 
OPENAI_API_KEY=你的API密钥

三、代码实操：搭建基础版问答机器人（20分钟）

我们分两步实现：先搭建"单次问答"版本，再升级为"带记忆的多轮对话"版本，循序渐进理解核心逻辑。

版本1：基础单次问答机器人

创建basic_qa_bot.py文件，写入以下代码（每一行都有详细注释）：

python 复制代码 
# 导入必要的库
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage

# 加载环境变量（读取.env文件中的API密钥）
load_dotenv()

def create_basic_qa_bot():
    """创建基础版问答机器人"""
    # 1. 初始化GPT-4模型
    # temperature：控制回答的随机性，0表示更精准，1表示更有创意
    llm = ChatOpenAI(
        model_name="gpt-4",
        temperature=0.7,
        api_key=os.getenv("OPENAI_API_KEY")
    )

    # 2. 定义系统提示词（告诉机器人它的角色和行为准则）
    system_message = SystemMessage(
        content="你是一个友好的AI助手，擅长用简洁易懂的语言回答用户的问题，避免使用专业术语。"
    )

    # 3. 交互逻辑
    print("🎉 基础AI问答机器人已启动（输入'退出'结束对话）：")
    while True:
        # 获取用户输入
        user_input = input("\n你：")
        if user_input.lower() == "退出":
            print("机器人：再见！")
            break
        
        # 构造消息列表（系统提示词 + 用户问题）
        messages = [
            system_message,
            HumanMessage(content=user_input)
        ]

        # 调用GPT-4获取回答
        try:
            response = llm(messages)
            print(f"机器人：{response.content}")
        except Exception as e:
            print(f"❌ 出错了：{str(e)}")

# 运行机器人
if __name__ == "__main__":
    create_basic_qa_bot()
运行测试

在终端执行：

bash 复制代码 
python basic_qa_bot.py

输入问题（如"什么是LangChain？"），就能看到机器人的回答。此时的机器人能完成单次问答，但无法记住上一轮的对话内容（比如先问"推荐一本Python入门书"，再问"这本书的核心知识点是什么"，机器人会不知道你指的是哪本书）。

版本2：带记忆的多轮对话机器人

接下来升级代码，添加"记忆模块"，让机器人能记住对话历史。创建memory_qa_bot.py文件：

python 复制代码 
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain.prompts import PromptTemplate
from rich.console import Console

# 初始化美化输出的控制台
console = Console()

# 加载环境变量
load_dotenv()

def create_memory_qa_bot():
    """创建带记忆的多轮对话问答机器人"""
    # 1. 初始化GPT-4模型
    llm = ChatOpenAI(
        model_name="gpt-4",
        temperature=0.5,
        api_key=os.getenv("OPENAI_API_KEY")
    )

    # 2. 配置对话记忆（ConversationBufferMemory：简单的缓冲区记忆，存储所有对话历史）
    memory = ConversationBufferMemory(
        memory_key="history",  # 记忆变量名，需与提示词模板对应
        return_messages=True   # 返回消息对象，而非纯文本
    )

    # 3. 自定义对话提示词模板（定义机器人的角色和记忆的使用方式）
    prompt_template = PromptTemplate(
        input_variables=["history", "input"],
        template="""你是一个专业且友好的AI助手，能够根据对话历史回答用户的问题。
        对话历史：{history}
        用户现在的问题：{input}
        请用自然、简洁的语言回答，确保结合对话历史上下文。"""
    )

    # 4. 构建对话链（核心：将模型、记忆、提示词模板链接起来）
    conversation_chain = ConversationChain(
        llm=llm,
        memory=memory,
        prompt=prompt_template,
        verbose=False  # 设置为True可看到详细的调用日志
    )

    # 5. 多轮交互逻辑
    console.print("\n🎉 带记忆的AI问答机器人已启动！", style="bold green")
    console.print("💡 提示：可以连续提问，机器人会记住你的对话内容（输入'退出'结束）\n", style="italic gray")
    
    while True:
        # 获取用户输入
        user_input = console.input("[bold cyan]你：[/]")
        if user_input.lower() == "退出":
            console.print("[bold green]机器人：感谢使用，再见！[/]")
            break
        
        # 调用对话链获取回答
        try:
            response = conversation_chain.predict(input=user_input)
            console.print(f"[bold magenta]机器人：[/] {response}\n")
        except Exception as e:
            console.print(f"[bold red]❌ 错误：[/] {str(e)}", style="bold red")

# 运行带记忆的机器人
if __name__ == "__main__":
    create_memory_qa_bot()
核心升级点解释
  • ConversationBufferMemory：LangChain提供的基础记忆组件，会把所有对话历史存储在内存中，确保机器人能"记住"之前的问答。
  • ConversationChain：对话链，LangChain的核心组件之一，自动将"用户输入+历史记忆"拼接后传给大模型，简化了多轮对话的开发逻辑。
  • PromptTemplate：自定义提示词模板，让我们可以精准控制机器人的回答风格和逻辑。
运行测试
bash 复制代码 
python memory_qa_bot.py

测试对话示例：

复制代码 
你：推荐一本Python入门书
机器人：推荐《Python编程：从入门到实践》，这本书适合零基础入门，包含基础语法、实战项目（如小游戏、Web应用），兼顾理论和实操。

你：这本书的核心知识点有哪些？
机器人：《Python编程：从入门到实践》的核心知识点包括：1. Python基础语法（变量、数据类型、循环、条件语句）；2. 函数和模块的使用；3. 面向对象编程基础；4. 实战项目开发（如Pygame制作小游戏、Django搭建简易Web应用）；5. 代码调试和测试方法。

可以看到，机器人能准确关联上一轮的问题，实现了多轮对话。

四、进阶优化建议（5分钟）

  1. 记忆优化 ：ConversationBufferMemory会存储所有对话，内容过多时会消耗更多Token且降低效率。可替换为ConversationSummaryMemory（总结记忆，只存储对话摘要），示例：
python 复制代码 
from langchain.memory import ConversationSummaryMemory
memory = ConversationSummaryMemory(llm=llm, memory_key="history")
  1. Token控制：添加对话长度限制，避免单次请求Token超过GPT-4的上限（默认8192）：
python 复制代码 
# 在循环中添加记忆长度检查
if len(memory.load_memory_variables({})["history"]) > 1000:
    memory.clear()  # 超过阈值清空记忆
    console.print("[bold yellow]💡 提示：对话历史过长，已清空记忆[/]")
  1. 错误处理增强：针对API调用超时、密钥错误等常见问题添加专属处理逻辑，提升用户体验。

五、商业价值与扩展方向

这个基础版机器人看似简单，但却是企业级智能客服、内部知识库助手的核心雏形：

  • 对接私有数据 ：结合LangChain的DocumentLoader，可加载PDF、TXT、Excel等私有文档，打造"基于自有数据的问答机器人"。
  • 部署上线：通过FastAPI封装成API接口，搭配Streamlit制作简单的Web界面，就能快速上线一个可用的AI应用。
  • 多场景适配：调整提示词模板，可快速改造成"电商智能客服""教育答疑助手""企业政策咨询机器人"等。

✨ 坚持用 清晰的图解 +易懂的硬件架构 + 硬件解析， 让每个知识点都 简单明了 ！

🚀 个人主页 ：一只大侠的侠 · CSDN

💬 座右铭 ： "所谓成功就是以自己的方式度过一生。"

相关推荐
TGITCIC5 小时前
LangChain入门（十三）- 6步实操Agent落地大法
langchain·agent·rag·ai agent·ai开发·agent开发·ai智能体开发
董厂长8 小时前
langchain上下文管理的方式
langchain·上下文压缩·上下文管理
猫头虎1 天前
中国开源大模型霸榜全球：全球开源大模型排行榜前十五名，全部由中国模型占据
langchain·开源·prompt·aigc·ai编程·agi·ai-native
领航猿1号1 天前
Langchain 1.0.2 从入门到精通（含基础、RAG、Milvus、Ollama、MCP、Agents）
langchain·agent·milvus·rag·mcp·langchain 1.0
玄同7651 天前
LangChain v1.0+ Memory 全类型指南：构建上下文感知大模型应用的核心方案
人工智能·语言模型·自然语言处理·langchain·nlp·知识图谱·向量数据库
中草药z1 天前
【Vibe Coding】初步认识LangChain&LangGraph
前端·langchain·html·agent·cursor·langgraph·vibe
花间相见2 天前
【LangChain】—— Prompt、Model、Chain与多模型执行链
前端·langchain·prompt
qq_455760852 天前
Langchain & Langgraph介绍
langchain
祁思妙想2 天前
LangChain开发框架
langchain
热门推荐
01GitHub 镜像站点02Clawdbot 中文汉化版 接入微信、飞书03OpenCode 入门教程：介绍 · 安装 · 配置第三方 API (如 Claude)042026数学建模美赛题目特点与选题建议，常用四大模型汇总05一种新的LCA算法06Claude Code Skills 实用使用手册07零门槛部署本地 AI 助手：Clawdbot/Meltbot 部署深度保姆级教程08在Trae中使用Pencil MCP09UV安装并设置国内源10Linux下V2Ray安装配置指南