LangChain 开发入门：构建你的第一个 AI 应用

LangChain 是目前最流行的 AI 应用开发框架，本文带你快速入门，构建一个智能问答应用。

LangChain 是什么？

LangChain 是一个用于开发 LLM 应用的开源框架，提供：

• 🔗 链式调用：将多个组件串联成工作流
• 📚 知识检索：RAG（检索增强生成）支持
• 🧠 记忆管理：多轮对话上下文
• 🔧 工具调用：让 AI 使用外部工具

环境准备

安装依赖

pip install langchain langchain-openai chromadb

配置 API Key

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

基础使用

1. 简单对话

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 发送消息
response = llm.invoke([HumanMessage(content="你好，请介绍一下自己")])
print(response.content)

2. 使用 Prompt 模板

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，请用专业的语言回答问题"),
    ("user", "{question}")
])

# 创建链
chain = prompt | llm

# 调用
response = chain.invoke({
    "role": "Python专家",
    "question": "什么是装饰器？"
})
print(response.content)

3. 输出解析

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel

# 定义输出格式
class CodeReview(BaseModel):
    issues: list[str]
    suggestions: list[str]
    score: int

# 创建解析器
parser = JsonOutputParser(pydantic_object=CodeReview)

# 修改 prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是代码审查专家。{format_instructions}"),
    ("user", "请审查以下代码：\n{code}")
])

# 创建链
chain = prompt | llm | parser

# 调用
result = chain.invoke({
    "format_instructions": parser.get_format_instructions(),
    "code": "def add(a,b): return a+b"
})
print(result)

RAG 实战

RAG（Retrieval-Augmented Generation）是让 AI 基于私有知识库回答问题的关键技术。

1. 准备知识库

from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 加载文档
loader = TextLoader("knowledge.txt", encoding="utf-8")
documents = loader.load()

# 分割文档
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
splits = text_splitter.split_documents(documents)

2. 创建向量存储

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

# 创建嵌入模型
embeddings = OpenAIEmbeddings()

# 存储到向量数据库
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=embeddings,
    persist_directory="./chroma_db"
)

3. 构建问答链

from langchain.chains import RetrievalQA

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

# 构建问答链
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True
)

# 提问
result = qa_chain.invoke({"query": "什么是RAG？"})
print(result["result"])

完整项目示例

以下是一个完整的智能客服 Demo：

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain

# 1. 初始化组件
llm = ChatOpenAI(model="gpt-4o-mini")
embeddings = OpenAIEmbeddings()
vectorstore = Chroma(persist_directory="./db", embedding_function=embeddings)
retriever = vectorstore.as_retriever()

# 2. 定义 Prompt
system_prompt = """你是一个智能客服助手。
请基于以下知识库内容回答用户问题。
如果知识库中没有相关信息，请诚实说明。

知识库内容：
{context}
"""

prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("user", "{input}")
])

# 3. 创建链
document_chain = create_stuff_documents_chain(llm, prompt)
retrieval_chain = create_retrieval_chain(retriever, document_chain)

# 4. 运行
def chat(question: str) -> str:
    result = retrieval_chain.invoke({"input": question})
    return result["answer"]

# 测试
print(chat("你们的退货政策是什么？"))

进阶话题

Agent 开发

让 AI 自主决定使用哪些工具：

from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain.tools import Tool

# 定义工具
tools = [
    Tool(
        name="Search",
        func=lambda q: "搜索结果...",
        description="搜索互联网信息"
    ),
    Tool(
        name="Calculator",
        func=lambda q: eval(q),
        description="进行数学计算"
    )
]

# 创建 Agent
agent = create_openai_tools_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools)

# 运行
result = executor.invoke({"input": "计算 123 * 456"})

最佳实践

1. 选择合适的模型：简单任务用 mini 版本省成本
2. 优化 Prompt：好的提示词事半功倍
3. 合理分块：知识库分块大小影响检索质量
4. 错误处理：API 调用要有重试机制
5. 监控日志：使用 LangSmith 追踪调试

总结

LangChain 大大降低了 AI 应用开发门槛。掌握基础后，可以进一步探索：

• 多 Agent 协作
• 流式输出
• 自定义组件
• 生产部署

---

下一篇：《LangChain 进阶：构建多 Agent 系统》