【LangChain】快速上手

🌈 个人主页：Zfox_

[一：🔥 内容与⽬标](#一：🔥 内容与⽬标)
[二：🔥 详细过程](#二：🔥 详细过程)
[三：🔥 引出LangChain相关概念](#三：🔥 引出LangChain相关概念)
- [🦋 Runnable接⼝](#🦋 Runnable接⼝)
- [🦋 LangChainExpressionLanguage](#🦋 LangChainExpressionLanguage)
[四：🔥 共勉](#四：🔥 共勉)

一：🔥 内容与⽬标

对于LangChain，它是⼀个⽤于开发由⼤语⾔模型(LLM)驱动的应⽤程序的框架。

通过前⼏个章节，我们已经说明尽管⼤模型的在某些⽅⾯表现振奋⼈⼼，但使⽤原⽣LLM可能会存在⼀些问题，例如将其当作搜索引擎去使⽤，LLM⽣成的答案可能要⽐其他搜索引擎查到的答案更符合你的预期，但要是在复杂的场景下使⽤，如将LLM嵌⼊应⽤程序时却遭遇了全新难题：

简单提⽰词（Prompt）得到的答案经常出现幻觉？

提⽰词结构是否可以统⼀规范？

如何实现开发过程中⼤模型的轻松、灵活切换？

⼤模型输出是⾮结构化的，怎样与要求结构化数据的程序接⼝交互？

如何克服预训练模型知识陈旧的问题，引⼊实时更新？

如何连接模型与外部⼯具或系统，执⾏具体任务？

...

LangChain框架的核⼼⽬标就是应对这些挑战。它通过将⾃然语⾔处理流程拆解为标准化组件，让开发者能够⾃由组合并⾼效定制⼯作流。

本节⽬标：

本节主要演⽰如何使⽤LangChain接⼊⼤模型组件，以及与⼤模型进⾏简单对话的能⼒。

掌握了基本⽤法后，将会引出LangChain相关前置概念，以便后续深⼊学习LangChain标准化组件。

二：🔥 详细过程

安装OpenAI包

bash 复制代码

pip install -U langchain-openai

定义⼤模型

python 复制代码

# 定义⼤模型
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-5-mini")

定义消息列表

核⼼代码：

python 复制代码

from langchain_core.messages import HumanMessage, SystemMessage

# 定义消息
# 用户消息 HumanMessage
# 系统提示消息 SystemMessage  通常作为第一条消息传入
# AI 消息 AIMessage
messages = [
    SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),
    HumanMessage(content="my name is xiaoming")
]

参数说明：

SystemMessage ：表⽰系统⻆⾊消息，系统消息通常作为输⼊消息序列中的第⼀条传⼊，是⽤来启动AI⾏为的消息。
HumanMessage ：表⽰⽤⼾⻆⾊消息，是来⾃⽤⼾的、从⽤⼾传递到模型的消息。

调⽤⼤模型

model 是LangChainRunnable（可运⾏）接⼝的实例，这意味着 model 提供了⼀个标准接⼝供我们与之交互。要简单地调⽤模型，我们可以将消息列表传递给 .invoke ⽅法。

使⽤ .invoke ⽅法进⾏⼤模型调⽤，核⼼代码：

python 复制代码

result = model.invoke(messages)
print(result)

输出结果（调试可以看⻅result类型为AIMessage）：

python 复制代码

content='你好!' additional_kwargs={'refusal': None} response_metadata= 
{'token_usage': {'completion_tokens': 2, 'prompt_tokens': 20, 'total_tokens': 22, 
'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0,
 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': 
 {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-5-mini-2024-07-18', 
 'system_fingerprint': 'fp_560af6e559', 'id': 'chatcmpl-C5l29mi6KkQSFO3qaElDJD5Lj9nBn',
  'service_tier': 'default', 'finish_reason': 'stop', 'logprobs': None} 
  id='run--777ef0be-55c2-411a-a4ab-104a45c22f20-0' usage_metadata={'input_tokens': 20, 'output_tokens': 2,'total_tokens': 22, 'input_token_details': 
  {'audio': 0, 'cache_read': 0},'output_token_details': {'audio': 0, 'reasoning': 0}}

输出说明：

AIMessage ：来⾃AI的消息。从聊天模型返回，作为对提⽰（输⼊）的响应。
- content ：消息的内容。
- additional_kwargs ：与消息关联的其他有效负载数据。对于来⾃AI的消息，可能包括模型提供程序编码的⼯具调⽤。
- response_metadata ：响应元数据。例如：响应标头、logprobs、令牌计数、模型名称。
侧重于"响应"本⾝的信息，⽐如这次请求的ID、使⽤的模型版本、以及服务提供商返回的所有原始元数据。它主要⽤于调试、⽇志记录和获取请求的上下⽂信息。
- usage_metadata ：消息的使⽤元数据，例如令牌计数。
侧重于"资源消耗"的量化信息，即这次请求消耗了多少Token。它主要⽤于成本计算、监控和预算控制。

输出解析

若只想输出聊天模型返回的结果字符串，可以使⽤ StrOutputParser 输出解析器组件，将⼤模型输出结果解析为最可能的字符串。核⼼代码：

python 复制代码

# 定义str字符串输出解析器
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
print(parser.invoke(result))

链式执⾏

通过上述步骤，⽆论是调⽤⼤模型，还是输出解析，我们发现，每次都调⽤了⼀个invoke()⽅法，最终才会得到我们想要的结果。

对于LangChain，它给我们提供了链式执⾏的能⼒，即我们只需要定义各个"组件"，将它们"链起来"，⼀次性执⾏即可得到最终效果。

完整代码如下：

python 复制代码

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableSequence

# 1. 定义OpenAI模型
# 默认从系统环境变量中读取 OPENAI_API_KEY
model = ChatOpenAI(
    model_name="gpt-4o-mini",
    openai_api_base="https://",
    openai_api_key="sk-****",
)

# 2. 定义消息
# 用户消息 HumanMessage
# 系统提示消息 SystemMessage  通常作为第一条消息传入
# AI 消息 AIMessage
messages = [
    SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),
    HumanMessage(content="my name is xiaoming")
]

# 3. 调用大模型
# result = model.invoke(messages)
# print(result)

# 链式体现在哪里？？？

# 4. 定义输出解析器组件
parser = StrOutputParser()
# print(parser.invoke(result))

# 5. 定义链
# 执行链 上一个Runnable实例（组件）的执行（.invoke）结果传输给下一个Runnable实例的输入

# 三种方式都可以定义链
# chain = model | parser
# chain = RunnableSequence(first=model, last=parser)
chain = model.pipe(parser)

print(chain.invoke(messages))

三：🔥 引出LangChain相关概念

🦋 Runnable接⼝

Runnable接⼝是使⽤LangChainComponents（组件）的基础。

概念说明：

Components（组件）：⽤来帮助当我们在构建应⽤程序时，提供了⼀系列的核⼼构建块，例如语⾔模型、输出解析器、检索器、编译的LangGraph图等。

Runnable定义了⼀个标准接⼝，允许Runnable组件：

Invoked（调⽤）:单个输⼊转换为输出。
Batched（批处理）:多个输⼊被有效地转换为输出。
Streamed（流式传输）:输出在⽣成时进⾏流式传输。
Inspected（检查）: 可以访问有关 Runnable 的输⼊、输出和配置的原理图信息。
Composed（组合）:可以组合多个Runnable，以使⽤LCEL协同⼯作以创建复杂的管道。

所有能⼒参考这里

因此，在快速上⼿中，我们定义的语⾔模型（model）、输出解析器（StrOutputParser）都是Runnable接⼝的实例！他们都使⽤了Invoked（调⽤）的能⼒，回顾⼀下：

python 复制代码

# 语⾔模型（model）
model = ChatOpenAI(model="gpt-5-mini")
result = model.invoke(messages) # 语⾔模型是 Runnable 接⼝实例，允许invoke调⽤

# 输出解析器（StrOutputParser）
parser = StrOutputParser()
parser.invoke(result) # 输出解析器是 Runnable 接⼝实例，允许invoke调⽤

🦋 LangChainExpressionLanguage

LangChainExpressionLanguage（LCEL）：采⽤声明性⽅法，从现有Runnable对象构建新的Runnable对象。

通过LCEL构建出的新的Runnable对象，被称为 RunnableSequence ，表⽰可运⾏序列。

RunnableSequence 就是⼀种链（参考步骤6）。通过调试步骤6 就能发现，chain的类型就是RunnableSequence 。如下所⽰：

重要的是， RunnableSequence 也是Runnable接⼝的实例，它实现了完整的Runnable接⼝，因此它可以⽤与任何其他Runnable相同的姿势使⽤。

回顾⼀下：

python 复制代码

chain = model | parser
chain.invoke(messages) # 链是 Runnable 接⼝实例，允许invoke调⽤

可以看到，LCEL其实是⼀种编排解决⽅案，它使LangChain能够以优化的⽅式处理链的运⾏时执⾏。任何两个Runnable实例都可以"链"在⼀起成序列。上⼀个可运⾏对象的 .invoke（）调⽤的输出作为输⼊传递给下⼀个可运⾏对象。⽅法就是使⽤ | （管道/运算符）：

python 复制代码

chain = model | parser

除此之外，可以使⽤ .pipe ⽅法代替。这也相当于 | 运算符：

在Unix/Linux系统中， pipe() 系统调⽤和 | 管道操作符都⽤于实现进程间通信，这⾥同样也是迁移过来的⽤法。

python 复制代码

chain = model.pipe(parser)

四：🔥 共勉

😋 以上就是我对 【LangChain】快速上手 的理解, 觉得这篇博客对你有帮助的，可以点赞收藏关注支持一波~ 😉

【LangChain】快速上手

目录

一：🔥 内容与⽬标

二：🔥 详细过程

三：🔥 引出LangChain相关概念

🦋 Runnable接⼝

🦋 LangChainExpressionLanguage

四：🔥 共勉