【LangChain框架入门级】1

🔥 博客主页**🔥** ：【坊钰 _CSDN博客】

欢迎各位点赞**👍** 评论**✍收藏⭐**

1. LangChain快速上手

LangChain ，就是一个用于开发由大模型语言（LLM）驱动的应用程序框架

LangChain 通过将自然语言处理流程拆解为标准化组件

2.LanguageChain简单使用

2.1环境说明

python 复制代码

Python 3.13

requirements.txt（文件包，后续都会用到）

langchain-openai==0.3.33
langchain==0.3.27
langchain-deepseek==0.1.4
langchain-ollama==0.3.6
langchain-tavily==0.2.12
langchain-chroma==0.2.5
langchain-community==0.3.22
nltk==3.9.2
langchain-redis==0.2.4
unstructured==0.18.15
markdown==3.9
redisvl==0.10.0

2.2 定义大模型

安装OpenAI包

python 复制代码

pip install -U langchain-openai

定义大模型（API_KEY 是敏感数据，做了敏感处理）

python 复制代码

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1",
    model = "qwen3.7-max",
    api_key = "sk-a159****************fa09f"   #敏感处理
)

2.3 定义消息列表

python 复制代码

from langchain_core.messages import SystemMessage, HumanMessage

message = [
    SystemMessage(content="你现在是一名医生！"),
    HumanMessage(content="你是谁！")
]

复制代码

SystemMessage ：为系统消息，作为消息列表中第一条传入，启动 AI 行为的消息，可省略

复制代码

HumanMessage：为用户消息，来自用户，传递到大模型的消息

2.4 调用大模型

moder 是 LangChain Runnable 接口的实例，说明moder提供一个标准可交互的接口，简单调用模型，将消息传递给 .invoke 方法，由 .invoke 方法进行大模型调用，返回 AIMessage 类型的结果

python 复制代码

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

输出结果（json格式化后，方便观察）

python 复制代码

{
  "content": "您好！我是一名医生（AI医疗助手）。请问您今天有什么身体不适，或者有什么医疗健康方面的问题需要咨询吗？\n\n无论是症状分析、疾病科普、用药指导还是日常健康管理，我都会尽力为您提供专业的建议和帮助。您可以详细告诉我您的症状、持续时间或是想了解的健康知识。\n\n*（温馨提示：虽然我会为您提供专业的医学建议，但线上咨询不能完全替代线下医院的面对面诊断和检查。如果遇到紧急或严重的情况，请务必及时前往医院就诊。）*\n\n请问有什么我可以帮您的？",
  "additional_kwargs": {
    "refusal": null
  },
  "response_metadata": {
    "token_usage": {
      "completion_tokens": 461,
      "prompt_tokens": 21,
      "total_tokens": 482,
      "completion_tokens_details": {
        "accepted_prediction_tokens": null,
        "audio_tokens": null,
        "reasoning_tokens": 355,
        "rejected_prediction_tokens": null
      },
      "prompt_tokens_details": {
        "audio_tokens": null,
        "cached_tokens": 0
      }
    },
    "model_name": "qwen3.7-max",
    "system_fingerprint": null,
    "id": "chatcmpl-87e796d4-3d72-90de-a8b7-db8fedfec68c",
    "service_tier": null,
    "finish_reason": "stop",
    "logprobs": null
  },
  "id": "run--019e8852-cec4-7fc3-b88f-0755584ab379-0",
  "usage_metadata": {
    "input_tokens": 21,
    "output_tokens": 461,
    "total_tokens": 482,
    "input_token_details": {
      "cache_read": 0
    },
    "output_token_details": {
      "reasoning": 355
    }
  }
}

我们通过调试可以知道，result 的类型是 AIMessage

AIMessage ：来自AI的消息，从聊天模型中返回，作为对输入的响应

content：消息的内容

additional_kwargs：与消息关联的负载数据，编码工具等

response_metadata：响应元数据，请求ID，响应标头，令牌计数，模型名称

usage_metadata：消息的使用元数据，令牌计数，token 消耗，计算成本

2.5 输出解析器

输出这么多的数据不易查看，我们可以使用 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

python 复制代码

from langchain_core.output_parsers import StrOutputParser

paser = StrOutputParser()

result = model.invoke(message)
print(paser.invoke(result))

输出结果

2.6 链式执行

上述发现，不论是调用大模型，还是输出解析，都使用了 .invoke 方法，对于这种，LangChain 提供链式的执行能力，将各个组件链起来，一次执行即可得出效果

python 复制代码

# 定义链
chain = model | paser

python 复制代码

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

# 定义大模型
model = ChatOpenAI(
    base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1",
    model = "qwen3.7-max",
    api_key = "sk-a159ea*****************fa09f"
)

# 定义消息
message = [
    SystemMessage(content="你现在是一名医生！"),
    HumanMessage(content="你是谁！")
]

#解析器
parser = StrOutputParser()

# 定义链
chain = model | parser

# 大模型调用
result = model.invoke(message)
print(chain.invoke(message))

3. LangChain 相关概念

3.1 Runnable 接口

Runnable 接口是使用 LangChain Components （组件）的基础

Runnable 定义了一个标准接口，允许Runnable组件

Invoke（调用）：将单个输入转为输出

Bachde （批处理）：多个输入转为多个输出

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）：多个Runnable组合，用LCEL协同工作

之前使用的语言模型（model），输出解析器（StrOutputParser），都是Runnable接口的实例，他们都调用Invoke方法

3.2 LangChain Expression Language

LangChain Expression Language （LCEL）：采用声明性方法，从现有的Runnable对象构建新的Runnable对象，调试后

重点是，RunnableSequence 也是 Runnable 接口的实例，也可具备调用组件的能力

LCEL 是一种编排解决方案，将两个 Runnable 接口的实例，链在一起，使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，方法使用就是用 | （管道/运算符）

| 通过两个Runnable接口的实例去创建一个RunnableSequence，实际是LangChain重载了 | 运算符

python 复制代码

# 定义链
chain = model | parser
# 完全相等
chain = RunnableSequence(first=model, last=parser)

除此之外，还可以用 .pipe 方法代替 |

python 复制代码

# 定义链
chain = model | parser
# 完全相等
chain = RunnableSequence(first=model, last=parser)
# 完全相等
chain = model.pippe(parser)