【零基础入门 LLM 开发 · Day 10】：LangChain 入门——一条管道符串起 prompt 和模型

【零基础入门 LLM 开发 · Day 10】：LangChain 入门------一条管道符串起 prompt 和模型

前九天苦在哪？

用原生 SDK 九天下来，你可能已经发现：每次都要手写 client 初始化、手拼 messages 列表、手取 choices[0].message.content......这些都是重复劳动。

LangChain 就是把这些重复劳动打包成"积木"的框架：prompt 是积木、模型是积木，你用管道符把它们串成流水线。

安装与三个包名

bash 复制代码

pip install langchain-openai

初学者最容易晕的包名关系：

langchain-core：核心抽象（PromptTemplate、消息类型、LCEL），装别的会自动带上；
langchain-openai：OpenAI 系模型的接入层；
langchain：全家桶（含各种链、Agent 等）。

完整代码

python 复制代码

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()

# 初始化模型（对比 Day 1：参数类似，但不再需要手写 client）
llm = ChatOpenAI(
    model=os.getenv("YUMC_MODEL_NAME"),
    api_key=os.getenv("YUMC_MODEL_API_KEY"),
    base_url=os.getenv("YUMC_MODEL_BASE_URL"),
    temperature=0.7,
)

# 提示词模板：{user_input} 是变量占位符
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个由YumCode 驱动的智能助手."),
        ("human", "{user_input}")
    ]
)

# LCEL：用管道符把积木串成链
chain = prompt | llm

if __name__ == "__main__":
    try:
        response = chain.invoke({"user_input": "你好，请简单介绍一下你自己"})
        print("-----模型回复-----")
        print(response.content)
    except Exception as e:
        print(f"调用失败：{e}")
        print("提示：请检查 .env 中的URL 是否可以在当前网络环境下访问。")

逐段拆解

① `ChatPromptTemplate.from_messages`

用元组列表定义多角色提示词：("system", ...) / ("human", ...)。{user_input} 是占位符，调用时填值------这就是"模板"，人设写一次，问题每次换。

② `chain = prompt | llm`（今天的核心！）

这是 LangChain 最出名的语法 LCEL（LangChain Expression Language）：

prompt | llm 读作"prompt 的输出，流进 llm 当输入"；
类似 Linux 管道：cat 文件 | grep 关键词；
数据流向：{"user_input": "..."} → 模板填空变成完整 messages → 交给模型 → 返回结果。

以后链子可以越接越长：prompt | llm | 输出解析器 | 另一个模型------流水线思维。

③ `chain.invoke(...)`

统一入口：传一个字典，键就是模板里的占位符名。返回的 response.content 和 Day 1 一样，只是不用再翻 choices[0] 了。

④ `try/except`

网络请求随时可能失败，正式代码永远包一层异常处理，别让用户看到红色堆栈。

原生 SDK vs LangChain 对照表

任务	原生 SDK（Day 1-9）	LangChain（今天起）
初始化模型	`OpenAI(api_key, base_url)`	`ChatOpenAI(model, api_key, base_url)`
组装对话	手拼 `messages` 列表	`ChatPromptTemplate` 模板
调用	`client.chat.completions.create(...)`	`chain.invoke({...})`
取回复	`resp.choices[0].message.content`	`response.content`

今日踩坑点

占位符是单花括号 {user_input} ：Day 13 会遇到要输出 JSON 的情况，那时花括号必须写成 {``{ }} 转义------先记住这颗雷。
chain.invoke 传的不是字符串而是字典 ：invoke("你好") 会报错，键名必须和占位符一致。
model 参数忘了配 ：ChatOpenAI 不传 model 会有默认值（gpt-3.5 之类），连你自己的服务会 404。

今日小练习

必做：把 system 改成你想要的助手人设，再给模板加一个 {style} 占位符控制语气（如"正式"/"沙雕"）。
进阶：用原生 SDK 重写一遍同样的功能，对比两种写法的代码量，体会框架到底帮你省了什么。

明日预告

Day 11：LangChain 的流式输出------比 Day 5 手动拼 delta 简单得多，一行 for 搞定。

附录：完整练习代码

langchainTest.py

python 复制代码

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
 
  
#加载环境变量
load_dotenv()
# 初始化模型
llm = ChatOpenAI(
    model = os.getenv("YUMC_MODEL_NAME"),
    api_key = os.getenv("YUMC_MODEL_API_KEY"),
    base_url = os.getenv("YUMC_MODEL_BASE_URL"),
    temperature=0.7,
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system","你是一个由YumCode 驱动的智能助手."),
        ("human","{user_input}")
    ]
)

chain = prompt | llm 

    
if __name__ == "__main__":
    
    try:
        response = chain.invoke({"user_input":"你好，请简单介绍一下你自己"})
        print("-----模型回复-----")
        print(response.content)
    except Exception as e:
        print(f"调用失败：{e}")
        print("提示：请检查 .env 中的URL 是否可以再当前网络环境下访问。")

【零基础入门 LLM 开发 · Day 10】：LangChain 入门——一条管道符串起 prompt 和模型