LangChain 完全入门指南：从基础到实战（附面试题）

📌 目录

1. 什么是 LangChain？
2. 核心组件详解
3. 基础 LLM 调用
4. Prompt 模板
5. Few-Shot 提示
6. Pipeline 与 Chain
7. 输出解析器
8. 对话记忆
9. 顺序链与路由链
10. 文档加载与向量存储
11. RAG 检索增强生成
12. 实战项目：问答机器人
13. 真题面试题与答案

---

一、什么是 LangChain？

LangChain 是一个用于构建大语言模型应用的框架，提供标准化组件，降低开发复杂度。就像"AI 应用的乐高积木"。

核心价值

• 简化 LLM 调用
• 提供 Prompt 管理、记忆、检索、链式调用等工具
• 统一多模型接口（OpenAI、Ollama、DeepSeek 等）

---

二、LangChain 核心组件

组件	作用	生活类比
Chat Model	调用对话模型	会聊天的大脑
Prompt Template	预定义提示模板	填空题模板
Output Parser	解析模型输出	翻译官
Memory	保存对话历史	记事本
Chain	组合多个组件	流水线
Retriever	检索外部知识	图书管理员

---

三、基础 LLM 调用

本地模型（Ollama）

from langchain_ollama import ChatOllama

model = ChatOllama(model="qwen3:4b")
response = model.invoke("你好")
print(response.content)

云端模型（DeepSeek / 阿里云）

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="deepseek-chat",
    api_key="your-key",
    base_url="https://api.deepseek.com"
)

---

四、Prompt 模板

from langchain_core.prompts import PromptTemplate

template = PromptTemplate.from_template("请用{language}解释{concept}")
prompt = template.format(language="中文", concept="AI")

Few-Shot 示例

examples = [
    {"question": "法国首都是？", "answer": "巴黎"},
    {"question": "中国首都是？", "answer": "北京"},
]

---

五、Pipeline 与 Chain

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama
from langchain_core.output_parsers import StrOutputParser

chain = PromptTemplate.from_template("解释{topic}") | ChatOllama(model="qwen3:4b") | StrOutputParser()
result = chain.invoke({"topic": "AI"})

---

六、输出解析器

字符串输出

parser = StrOutputParser()

JSON 输出

from langchain_core.output_parsers import JsonOutputParser

parser = JsonOutputParser()

Pydantic 强类型输出

from pydantic import BaseModel
from langchain_core.output_parsers import PydanticOutputParser

class Person(BaseModel):
    name: str
    age: int

parser = PydanticOutputParser(pydantic_object=Person)

---

七、对话记忆

from langchain_classic.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
memory.save_context({"input": "我叫小明"}, {"output": "你好小明"})
history = memory.load_memory_variables({})

窗口记忆

memory = ConversationBufferWindowMemory(k=2)  # 只保留最近2轮

---

八、顺序链与路由链

顺序链

chain1 = prompt1 | model | parser
chain2 = prompt2 | model | parser
full_chain = chain1 | chain2

路由链（智能选择）

def route(question):
    if "翻译" in question:
        return translate_chain
    else:
        return general_chain

---

九、文档加载与向量存储

文档加载

from langchain_community.document_loaders import TextLoader

loader = TextLoader("doc.txt", encoding="utf-8")
docs = loader.load()

文本分块

from langchain_text_splitters import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=20)
chunks = splitter.split_documents(docs)

向量存储（FAISS）

from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS

embeddings = HuggingFaceEmbeddings(model_name="paraphrase-multilingual-MiniLM-L12-v2")
vectorstore = FAISS.from_documents(chunks, embeddings)
results = vectorstore.similarity_search("查询词", k=3)

---

十、RAG 检索增强生成

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama

prompt = PromptTemplate.from_template("""
基于以下资料回答问题：
{context}
问题：{question}
""")
chain = prompt | ChatOllama(model="qwen3:4b")

---

十一、实战项目：问答机器人

class SimpleQnABot:
    def __init__(self):
        self.model = ChatOllama(model="qwen3:4b")
        self.prompt = PromptTemplate.from_template("资料：{context}\n问题：{question}")
        self.chain = self.prompt | self.model

    def ask(self, question, context):
        return self.chain.invoke({"context": context, "question": question})

---

🎯 面试题与答案

1. LangChain 是什么？解决了什么问题？

答案：LangChain 是一个构建 LLM 应用的框架，解决了模型调用、Prompt 管理、记忆、检索、链式调用等重复性问题，提高了开发效率。

---

2. Chat Model 和 LLM 的区别？

答案：

• LLM：文本补全，输入一段话，续写后续内容
• Chat Model：对话交互，支持 System/Human/AI 消息类型，更适合多轮对话

---

3. Few-Shot 提示是什么？为什么有效？

答案：Few-Shot 是在 Prompt 中提供几个示例，让模型模仿格式和逻辑。有效是因为 LLM 基于上下文学习，示例能引导模型行为。

---

4. 为什么需要输出解析器（OutputParser）？

答案：LLM 输出的是文本或 Message 对象，解析器将其转换为程序可直接使用的格式（字符串、JSON、Pydantic 对象），便于后续处理。

---

5. 什么是 RAG？为什么能减少幻觉？

答案：RAG = 检索增强生成。先从外部知识库检索相关内容，再让 LLM 基于检索结果回答，避免了 LLM 编造答案，提高了准确性。

---

6. 向量存储的作用是什么？

答案：将文档转换为向量（Embedding），支持语义相似度搜索，用于 RAG 中的知识检索。

---

7. 为什么需要内存（Memory）？

答案：LLM 本身无状态，每次调用不记得之前对话。Memory 组件保存历史对话，在下次调用时传递给 LLM，实现多轮对话记忆。

---

8. Pipeline 和 Chain 的区别？

答案 ：本质相同。Pipeline 强调数据流转（prompt | model | parser），Chain 更广泛，可以包含分支、路由、循环等。

---

9. 如何处理 LLM 输出格式不稳定的问题？

答案：

• 使用 Few-Shot 示例
• 使用 JsonOutputParser 或 PydanticOutputParser
• 在 Prompt 中强调"只输出 JSON"
• 使用更强的模型

---

10. 你如何选择本地模型（Ollama）还是云端 API（Qwen/DeepSeek）？

答案：

• 本地模型：免费、隐私安全、可离线，适合开发和测试
• 云端 API：模型更强、无需 GPU，适合生产环境和复杂任务

---

✅ 总结

本指南覆盖了 LangChain 的核心概念和实战技巧，从最简单的 LLM 调用到完整的 RAG 问答机器人。掌握这些内容，你就能快速构建自己的 AI 应用。

如果你觉得有用，欢迎点赞、收藏、转发！

👉 更多内容请关注我的 CSDN 专栏。

---