LangChain 实战指南：从入门到构建智能应用

1. 引言

大语言模型（LLM）正在重塑软件开发的方式，而 LangChain 作为最流行的 LLM 应用开发框架之一，帮助开发者将模型能力与外部工具、数据源和业务逻辑无缝连接。无论你是刚接触 AI 编程的新手，还是希望系统化构建生产级应用的工程师，本文都将为你提供一份从入门到实战的完整指南。

如果你更倾向于视频学习，可以观看我的视频课程《LangChain 实战》，视频中我会结合代码演示逐步讲解每个核心模块的用法。

2. 什么是 LangChain

LangChain 是一个用于构建基于大语言模型应用的开发框架，于 2022 年 10 月开源，迅速成为 AI 工程领域最受关注的项目之一。它提供了一套标准化的接口和丰富的组件，让开发者可以轻松地将 LLM 与外部数据源、API 工具以及记忆系统集成。

2.1 核心设计理念

LangChain 的核心设计理念可以概括为三个关键词：

• 模块化：每个功能（模型调用、提示词管理、记忆、检索等）都是独立模块，可按需组合。
• 可组合性：通过 Chain 机制将多个组件串联成完整的工作流。
• 生态丰富：支持数百种模型提供商、向量数据库和工具集成。

2.2 为什么选择 LangChain

相比直接调用 OpenAI API 或其他模型接口，LangChain 提供了更高层次的抽象，解决了以下常见痛点：

• 管理多轮对话的上下文与记忆
• 将外部数据接入模型（RAG）
• 调用外部工具和 API（Function Calling）
• 构建可复用的复杂工作流

3. 环境准备与安装

在开始之前，请确保你的开发环境满足以下要求：

• Python 3.8 及以上版本
• pip 包管理工具
• 一个可用的 LLM API Key（如 OpenAI、Anthropic 或国内大模型服务）

3.1 安装 LangChain

使用 pip 安装核心库：

pip install langchain

根据你使用的模型提供商，还需要安装对应的集成包：

# OpenAI
pip install langchain-openai

# Anthropic
pip install langchain-anthropic

# 国内模型（如智谱、通义等）
pip install langchain-community

3.2 配置环境变量

建议将 API Key 存放在环境变量中，避免硬编码到代码里：

export OPENAI_API_KEY="sk-xxxx"

4. 核心模块详解

LangChain 的生态由多个核心模块组成，理解它们之间的关系是掌握框架的关键。

4.1 Models（模型）

模型模块负责与大语言模型交互。LangChain 统一了不同提供商的调用接口：

from langchain_openai import ChatOpenAI

# 初始化模型
llm = ChatOpenAI(
    model="gpt-4o",
    temperature=0.7,
    max_tokens=2000
)

# 直接调用
response = llm.invoke("用一句话介绍 LangChain")
print(response.content)

4.2 Prompts（提示词）

提示词模块提供了模板化管理和动态构建提示词的能力：

from langchain_core.prompts import ChatPromptTemplate

# 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位{role}专家，请用{style}的风格回答问题。"),
    ("human", "{question}")
])

# 填充变量
formatted_prompt = prompt.format_messages(
    role="Python",
    style="简洁专业",
    question="什么是装饰器？"
)

4.3 Chains（链）

链是 LangChain 的核心抽象，用于将多个组件串联成完整流程：

from langchain_core.output_parsers import StrOutputParser

# 构建链：提示词 → 模型 → 输出解析
chain = prompt | llm | StrOutputParser()

# 执行链
result = chain.invoke({
    "role": "Python",
    "style": "简洁专业",
    "question": "什么是装饰器？"
})
print(result)

4.4 Memory（记忆）

记忆模块让应用能够记住历史对话，实现多轮交互：

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 创建带记忆的对话链
memory = ConversationBufferMemory(return_messages=True)
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 多轮对话
conversation.predict(input="我叫小明，今年 25 岁")
conversation.predict(input="我刚才说我叫什么名字？")

4.5 Retrievers（检索器）

检索器是 RAG（检索增强生成）的核心组件，让模型能够访问外部知识库：

from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS

# 1. 加载文档
loader = TextLoader("knowledge.txt")
documents = loader.load()

# 2. 文本切分
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
chunks = splitter.split_documents(documents)

# 3. 向量化存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)

# 4. 构建检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

5. 实战案例：构建 RAG 问答系统

下面我们综合运用以上模块，构建一个基于本地文档的智能问答系统。

5.1 完整代码实现

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 加载并切分文档
loader = TextLoader("company_manual.txt")
documents = loader.load()

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
chunks = splitter.split_documents(documents)

# 2. 构建向量库
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 3. 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "请基于以下资料回答问题，如果资料中没有相关信息，请如实说明：\n\n{context}"),
    ("human", "{question}")
])

# 4. 构建 RAG 链
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": lambda x: x["question"]}
    | prompt
    | ChatOpenAI(model="gpt-4o", temperature=0.3)
    | StrOutputParser()
)

# 5. 提问
result = rag_chain.invoke({"question": "公司的年假政策是什么？"})
print(result)

5.2 工作流程解析

#mermaid-svg-NnG48d6dHhzRy2Fp{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-NnG48d6dHhzRy2Fp .error-icon{fill:#552222;}#mermaid-svg-NnG48d6dHhzRy2Fp .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-NnG48d6dHhzRy2Fp .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-NnG48d6dHhzRy2Fp .marker{fill:#333333;stroke:#333333;}#mermaid-svg-NnG48d6dHhzRy2Fp .marker.cross{stroke:#333333;}#mermaid-svg-NnG48d6dHhzRy2Fp svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-NnG48d6dHhzRy2Fp p{margin:0;}#mermaid-svg-NnG48d6dHhzRy2Fp .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp .cluster-label text{fill:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp .cluster-label span{color:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp .cluster-label span p{background-color:transparent;}#mermaid-svg-NnG48d6dHhzRy2Fp .label text,#mermaid-svg-NnG48d6dHhzRy2Fp span{fill:#333;color:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp .node rect,#mermaid-svg-NnG48d6dHhzRy2Fp .node circle,#mermaid-svg-NnG48d6dHhzRy2Fp .node ellipse,#mermaid-svg-NnG48d6dHhzRy2Fp .node polygon,#mermaid-svg-NnG48d6dHhzRy2Fp .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-NnG48d6dHhzRy2Fp .rough-node .label text,#mermaid-svg-NnG48d6dHhzRy2Fp .node .label text,#mermaid-svg-NnG48d6dHhzRy2Fp .image-shape .label,#mermaid-svg-NnG48d6dHhzRy2Fp .icon-shape .label{text-anchor:middle;}#mermaid-svg-NnG48d6dHhzRy2Fp .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-NnG48d6dHhzRy2Fp .rough-node .label,#mermaid-svg-NnG48d6dHhzRy2Fp .node .label,#mermaid-svg-NnG48d6dHhzRy2Fp .image-shape .label,#mermaid-svg-NnG48d6dHhzRy2Fp .icon-shape .label{text-align:center;}#mermaid-svg-NnG48d6dHhzRy2Fp .node.clickable{cursor:pointer;}#mermaid-svg-NnG48d6dHhzRy2Fp .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-NnG48d6dHhzRy2Fp .arrowheadPath{fill:#333333;}#mermaid-svg-NnG48d6dHhzRy2Fp .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-NnG48d6dHhzRy2Fp .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-NnG48d6dHhzRy2Fp .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-NnG48d6dHhzRy2Fp .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-NnG48d6dHhzRy2Fp .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-NnG48d6dHhzRy2Fp .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-NnG48d6dHhzRy2Fp .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-NnG48d6dHhzRy2Fp .cluster text{fill:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp .cluster span{color:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-NnG48d6dHhzRy2Fp .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-NnG48d6dHhzRy2Fp rect.text{fill:none;stroke-width:0;}#mermaid-svg-NnG48d6dHhzRy2Fp .icon-shape,#mermaid-svg-NnG48d6dHhzRy2Fp .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-NnG48d6dHhzRy2Fp .icon-shape p,#mermaid-svg-NnG48d6dHhzRy2Fp .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-NnG48d6dHhzRy2Fp .icon-shape .label rect,#mermaid-svg-NnG48d6dHhzRy2Fp .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-NnG48d6dHhzRy2Fp .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-NnG48d6dHhzRy2Fp .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-NnG48d6dHhzRy2Fp :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 用户提问
检索器检索相关文档
向量数据库 FAISS
返回 Top-K 相关片段
提示词模板组装上下文
大语言模型生成回答
输出最终答案

6. 进阶技巧与最佳实践

6.1 使用 Agent 实现工具调用

Agent 让模型能够自主决定调用哪些工具来完成任务：

from langchain.agents import create_openai_functions_agent, AgentExecutor
from langchain_core.tools import Tool
from langchain_core.prompts import ChatPromptTemplate

# 定义工具
def get_weather(city: str) -> str:
    """查询城市天气"""
    return f"{city}今天晴，气温 25°C"

tools = [
    Tool(
        name="get_weather",
        func=get_weather,
        description="查询指定城市的天气"
    )
]

# 创建 Agent
agent_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，可以调用工具回答问题。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

agent = create_openai_functions_agent(
    llm=ChatOpenAI(model="gpt-4o"),
    tools=tools,
    prompt=agent_prompt
)

executor = AgentExecutor(agent=agent, tools=tools)
result = executor.invoke({"input": "北京今天天气怎么样？"})
print(result["output"])

6.2 性能优化建议

• 缓存：对重复的模型调用启用缓存，减少 API 费用
• 流式输出 ：使用 stream 方法实现打字机效果，提升用户体验
• 异步支持 ：使用 ainvoke 处理高并发场景
• 成本控制 ：合理设置 max_tokens，使用更经济的模型处理简单任务

6.3 常见问题排查

问题	可能原因	解决方案
API 调用超时	网络问题或模型负载高	增加超时时间，实现重试机制
回答不准确	检索结果相关度低	调整 chunk 大小、增加 top-k 数量
上下文超限	文档过长	优化切分策略，使用摘要压缩
费用过高	频繁调用大模型	引入缓存、使用小模型分流

7. 总结与学习资源

LangChain 为 LLM 应用开发提供了强大的基础设施，从简单的提示词管理到复杂的 RAG 和 Agent 系统，都能通过统一的抽象高效实现。掌握本文的核心模块和实战案例，你就具备了构建生产级 AI 应用的基础能力。

推荐学习路径

1. 掌握 Python 基础与 API 调用
2. 熟悉 LangChain 五大核心模块
3. 动手实现 RAG 问答系统
4. 进阶学习 Agent 与多工具编排
5. 关注官方文档与社区最佳实践

如果你想通过视频更直观地学习这些内容，欢迎观看我的视频课程《LangChain 实战》，课程中我会用大量可运行的代码示例，带你一步步从零构建完整的 AI 应用。