我以为 LangChain 就是调用大模型，直到我写出第一条 Chain

刚开始学 LangChain 的时候，我心里其实有点不屑：不就是封装一下 OpenAI API 吗？我自己用 requests.post 也能调，为什么要多装一个框架？

直到我接到一个实际需求------从一条运维日志里提取出级别、服务名、错误类型、时间，我才意识到：调用 API 只是第一步，让模型按我想要的格式稳定输出，才是 LangChain 真正帮我解决的问题。

这篇文章记录我从"直接调 API"到"写出第一条 Chain"的过程。

---

一、我当时想干什么

我手里有一条这样的日志：

2026-07-02 ERROR web_scrm 数据库连接超时 导致支付接口返回超时请及时处理

我需要把它变成结构化的数据，比如：

{
  "level": "ERROR",
  "service": "web_scrm",
  "error_type": "数据库连接超时",
  "message": "导致支付接口返回超时请及时处理",
  "timestamp": "2026-07-02T00:00:00"
}

第一反应：让大模型帮我提取。我试了直接发一条请求，模型确实能返回 JSON，但格式每次都不太一样。有时候带解释，有时候缺字段，有时候 JSON 外面套了一层 markdown 代码块。

这让我意识到：光会调 API 不够，你还得约束输出。

---

二、我写的代码

LangChain 里的 Chain，简单说就是 prompt | model | parser 这三个东西串起来。

我的第一个 Chain 长这样：

from pydantic import BaseModel, Field
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI


class LogInfo(BaseModel):
    """从日志中提取关键信息"""
    level: str = Field(description="日志级别：INFO、WARN、ERROR")
    service: str = Field(description="服务名")
    error_type: str = Field(description="错误类型")
    message: str = Field(description="错误信息")
    timestamp: datetime = Field(description="告警时间")


llm = ChatOpenAI(
    model="deepseek-chat",
    temperature=0,
    openai_api_key="你的 api key",
    openai_api_base="https://api.deepseek.com/v1",
)

parser = JsonOutputParser(pydantic_object=LogInfo)

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是日志分析助手，只返回 JSON，不要任何解释。"),
    ("human", "请从这条日志中提取信息：{log}\n\n{format_instructions}"),
])

chain = prompt | llm | parser

result = chain.invoke({
    "log": "2026-07-02 ERROR web_scrm 数据库连接超时 导致支付接口返回超时请及时处理",
    "format_instructions": parser.get_format_instructions(),
})

print(result)

输出：

{
  'level': 'ERROR',
  'service': 'web_scrm',
  'error_type': '数据库连接超时',
  'message': '导致支付接口返回超时请及时处理',
  'timestamp': datetime.datetime(2026, 7, 2, 0, 0)
}

看起来简单，但这里每一部分都有它的作用。

---

三、我遇到的坑

坑 1：temperature 没调，JSON 偶尔格式不对

我一开始写的代码：

llm = ChatOpenAI(
    model="deepseek-chat",
    temperature=0.7,  # 默认值，问题出在这里
    openai_api_key="你的 api key",
    openai_api_base="https://api.deepseek.com/v1",
)

跑出来的输出有时候是这样：

以下是根据日志提取的结构化信息：

```json
{
  "level": "ERROR",
  "service": "web_scrm",
  ...
}

模型"自由发挥"，在 JSON 前面加了一句解释，还套了 markdown 代码块。`JsonOutputParser` 解析时直接报错：

```text
OutputParserException: Failed to parse response

改成 temperature=0 后，输出稳定了。对于需要结构化输出的任务，temperature=0 几乎是标配。

坑 2：忘了把 format_instructions 传给 prompt

JsonOutputParser 会根据 Pydantic schema 自动生成一段格式说明，但这段说明不会自动塞进 prompt。

我当时犯的错：

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是日志分析助手，只返回 JSON，不要任何解释。"),
    ("human", "请从这条日志中提取信息：{log}"),  # 漏了 format_instructions
])

result = chain.invoke({
    "log": "2026-07-02 ERROR web_scrm 数据库连接超时...",
    # 这里虽然传了，但 prompt 里没有对应的占位符
    "format_instructions": parser.get_format_instructions(),
})

模型根本不知道我要哪些字段，输出完全是随机的：

{
  "时间": "2026-07-02",
  "类型": "错误",
  "内容": "web_scrm 数据库连接超时"
}

正确的 prompt 必须显式留出位置：

("human", "请从这条日志中提取信息：{log}\n\n{format_instructions}")

坑 3：以为 | 只是字符串拼接

我开始以为 prompt | llm | parser 和下面这种写法差不多：

# 我最初的理解（错误的）
response = llm.invoke(prompt.invoke({"log": log}))
result = parser.invoke(response)

结果发现手动调的时候，类型转换、流式输出、错误追踪全要自己处理。prompt | llm | parser 这个写法叫 LCEL，它会自动处理这些事。

比如流式输出：

for chunk in chain.stream({"log": log, "format_instructions": parser.get_format_instructions()}):
    print(chunk)

不用我自己拆响应里的 token。

坑 4：langchain_core 和 langchain 分不清

我一开始写的导入：

from langchain.prompts import ChatPromptTemplate
from langchain.output_parsers import JsonOutputParser

运行没问题，但看文档的时候发现很多示例用的是 langchain_core.prompts。我一度以为这两个是同一个东西的不同写法。

后来才明白区别：

• langchain_core：核心抽象，稳定、轻量，不依赖具体集成
• langchain：高层封装，包含更多社区集成和便捷方法

写基础 Chain 的时候，优先从 langchain_core 导入。这样你的代码更稳定，后面换模型提供商时改动也更小。

改成：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser

---

四、搞清楚后的结论

写出第一条 Chain 后，我对 LangChain 的理解变了。

它不是一个"更好用的 API 客户端"，而是一个把 LLM 应用拆成标准积木的框架。

flowchart LR A["Prompt告诉模型要做什么"] --> B["LLM模型思考"] B --> C["Parser解析成结构化输出"] C --> D["Result可直接用的 Python 对象"]

这三个积木各自负责：

组件	职责	对应我的代码
Prompt	构造给模型的输入	ChatPromptTemplate
LLM	执行推理	ChatOpenAI
Parser	把模型输出转成程序能用的格式	JsonOutputParser

如果只用 requests.post 调 API，这三件事你都得自己写。LangChain 把它们标准化了，所以后面加工具、加记忆、加 Agent 的时候，每一步都是可插拔的。

---

五、我的收获

LangChain 的价值不是封装 API，而是把"输入 → 思考 → 输出"拆成可组合的积木。

我原来的思路是：有一个需求，就写一段 prompt，调一次 API，再写一段正则解析结果。需求一多，代码就成了一团乱麻。

现在我的思路是：先定义 schema，再拼 Chain，最后把 Chain 当成一个可测试、可复用的单元。下一步 Agent 能调用的"工具"，其实也就是这种 Chain 或函数。

这条 Chain 虽然小，但它是我后面写 Agent 的起点。

---

下一篇我会写 Tool------怎么把 query_elk_mcp 这种函数变成 Agent 能调用的工具。