个人随笔
目录
Agent学习(12):LangChain的简单使用
2026-02-10 22:09:09

LangChain 是一款专为构建大语言模型（LLM）应用设计的 Python/JavaScript 开源框架，核心目标是解决 “只用原生 LLM API 开发复杂应用太繁琐” 的问题，让开发者能快速把 LLM（比如 ChatGPT、文心一言、智谱清言等）和外部资源（数据、工具、知识库）结合起来，搭建智能对话、问答机器人、数据分析、自动化工作流等应用。

1、先安装环境

  1. conda create -n langchain python=3.11
  2. conda activate langchain
  3. pip install -U langchain
  4. pip install -U langchain-openai

2、一些简单的例子

  1. from langchain_openai import ChatOpenAI
  2. import os
  4. from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
  6. chatLLM = ChatOpenAI(
  7.     api_key=os.getenv("DASHSCOPE_API_KEY"),
  8.     base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
  9.     model="qwen-plus",  # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
  10.     # other params...
  11. )
  12. #简单示例
  13. def test1():
  14.     messages = [
  15.         {"role": "system", "content": "You are a helpful assistant."},
  16.         {"role": "user", "content": "你是谁？"}]
  17.     response = chatLLM.invoke(messages)
  18.     print(response)
  20. #多轮对话
  21. def test2():
  22.     messages = [
  23.         SystemMessage(content="你是聚客AI大模型课的课程助理。"),
  24.         HumanMessage(content="我是聚客AI学员，我叫小聚。"),
  25.         AIMessage(content="欢迎！"),
  26.         HumanMessage(content="我是谁？")
  27.     ]
  28.     ret = chatLLM.invoke(messages)
  29.     print(ret.content)
  31. #流式输出
  32. def test3():
  33.     for token in chatLLM.stream("你是谁"):
  34.         print(token.content, end="")
  37. # 程序入口：只有直接运行这个文件时，才执行游戏
  38. if __name__ == "__main__":
  39.     test3()

3、模板格式限定相关的例子

  1. from langchain_core.prompts import PromptTemplate
  2. from langchain_openai import ChatOpenAI
  3. import os
  5. from pydantic import BaseModel, Field
  7. from langchain_core.prompts import (
  8.     ChatPromptTemplate,
  9.     HumanMessagePromptTemplate,
  10.     SystemMessagePromptTemplate,
  11. )
  13. from langchain_core.output_parsers import JsonOutputParser
  15. from langchain_core.output_parsers import PydanticOutputParser
  17. chatLLM = ChatOpenAI(
  18.     api_key=os.getenv("DASHSCOPE_API_KEY"),
  19.     base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
  20.     model="qwen-plus",  # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
  21.     # other params...
  22. )
  23. #模板替换
  24. def test1():
  25.     template = PromptTemplate.from_template("给我讲个关于{subject}的笑话")
  26.     print("===Template===")
  27.     print(template)
  28.     print("===Prompt===")
  29.     print(template.format(subject='小明'))
  31. def test2():
  32.     # 通过 Prompt 调用 LLM
  33.     template = PromptTemplate.from_template("给我讲个关于{subject}的笑话")
  34.     ret = chatLLM.invoke(template.format(subject='小明'))
  35.     # 打印输出
  36.     print(ret.content)
  38. def test3():
  39.     template = ChatPromptTemplate.from_messages(
  40.         [
  41.             SystemMessagePromptTemplate.from_template("你是{product}的客服助手。你的名字叫{name}"),
  42.             HumanMessagePromptTemplate.from_template("{query}")
  43.         ]
  44.     )
  46.     prompt = template.format_messages(
  47.         product="AI大模型课程",
  48.         name="小林",
  49.         query="你是谁"
  50.     )
  52.     print(prompt)
  54.     ret = chatLLM.invoke(prompt)
  56.     print(ret.content)
  58. #从文件中加载
  59. def test4():
  60.     template = PromptTemplate.from_file("G:\\AI\\workspace\\vscode\\202602\\prompt.txt", encoding="utf-8")
  61.     print("===Template===")
  62.     print(template)
  63.     print("===Prompt===")
  64.     print(template.format(topic='黑色幽默'))
  66. # 定义你的输出对象
  67. class Date(BaseModel):
  68.     year: int = Field(description="Year")
  69.     month: int = Field(description="Month")
  70.     day: int = Field(description="Day")
  71.     era: str = Field(description="BC or AD")
  72. #结构化输出
  73. def test5():
  74.     # 定义结构化输出的模型
  75.     structured_llm = chatLLM.with_structured_output(Date)
  77.     template = """提取用户输入中的日期。
  78.     用户输入:
  79.     {query}"""
  81.     prompt = PromptTemplate(
  82.         template=template,
  83.     )
  85.     query = "2023年四月6日天气晴..."
  86.     input_prompt = prompt.format_prompt(query=query)
  87.     ret = structured_llm.invoke(input_prompt)
  88.     print(ret)
  90. #输出指定格式的json
  91. def test6():
  92.     json_schema = {
  93.         "title": "Date",
  94.         "description": "Formated date expression",
  95.         "type": "object",
  96.         "properties": {
  97.             "year": {
  98.                 "type": "integer",
  99.                 "description": "year, YYYY",
  100.             },
  101.             "month": {
  102.                 "type": "integer",
  103.                 "description": "month, MM",
  104.             },
  105.             "day": {
  106.                 "type": "integer",
  107.                 "description": "day, DD",
  108.             },
  109.             "era": {
  110.                 "type": "string",
  111.                 "description": "BC or AD",
  112.             },
  113.         },
  114.     }
  115.         # 定义结构化输出的模型
  116.     structured_llm = chatLLM.with_structured_output(json_schema)
  118.     template = """提取用户输入中的日期。
  119.     用户输入:
  120.     {query}"""
  122.     prompt = PromptTemplate(
  123.         template=template,
  124.     )
  126.     query = "2023年四月6日天气晴..."
  127.     input_prompt = prompt.format_prompt(query=query)
  128.     ret = structured_llm.invoke(input_prompt)
  129.     print(ret)
  131. #JsonOutputParser指定输出格式
  132. def test7():
  133.     parser = JsonOutputParser(pydantic_object=Date)
  134.     prompt = PromptTemplate(
  135.         template="提取用户输入中的日期。\n用户输入:{query}\n{format_instructions}",
  136.         input_variables=["query"],
  137.         partial_variables={"format_instructions": parser.get_format_instructions()},
  138.     )
  139.     query = "2023年四月6日天气晴..."
  140.     input_prompt = prompt.format_prompt(query=query)
  141.     output = chatLLM.invoke(input_prompt)
  142.     print("原始输出:")
  143.     print(output)
  145.     print("解析后:")
  146.     print(parser.invoke(output))
  148. #PydanticOutputParser指定输出格式
  149. def test8():
  150.     parser = PydanticOutputParser(pydantic_object=Date)
  151.     prompt = PromptTemplate(
  152.         template="提取用户输入中的日期。\n用户输入:{query}\n{format_instructions}",
  153.         input_variables=["query"],
  154.         partial_variables={"format_instructions": parser.get_format_instructions()},
  155.     )
  156.     query = "2023年四月6日天气晴..."
  157.     input_prompt = prompt.format_prompt(query=query)
  158.     output = chatLLM.invoke(input_prompt)
  159.     print("原始输出:")
  160.     print(output)
  162.     print("解析后:")
  163.     print(parser.invoke(output))
  165. # 程序入口：只有直接运行这个文件时，才执行游戏
  166. if __name__ == "__main__":
  167.     test8()

4、回调本地方法的一些例子

  1. from langchain_openai import ChatOpenAI
  2. from langchain_core.messages import  HumanMessage
  3. import os
  4. import json
  5. from langchain_core.tools import tool
  7. @tool
  8. def add(a: int, b: int) -> int:
  9.     """Add two integers.
  11.     Args:
  12.         a: First integer
  13.         b: Second integer
  14.     """
  15.     return a + b
  17. @tool
  18. def multiply(a: float, b: float) -> float:
  19.     """Multiply two integers.
  21.     Args:
  22.         a: First integer
  23.         b: Second integer
  24.     """
  25.     return a * b
  27. chatLLM = ChatOpenAI(
  28.     api_key=os.getenv("DASHSCOPE_API_KEY"),
  29.     base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
  30.     model="qwen-plus",  # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
  31.     # other params...
  32. )
  33. #简单示例
  34. def test1():
  35.     llm_with_tools = chatLLM.bind_tools([add, multiply])
  36.     query = "3.5的4倍是多少?"
  37.     messages = [HumanMessage(query)]
  38.     output = llm_with_tools.invoke(messages)
  39.     print(output)
  40.     print("\n")
  41.     print(json.dumps(output.tool_calls, indent=4))
  44. # 程序入口：只有直接运行这个文件时，才执行游戏
  45. if __name__ == "__main__":
  46.     test1()

5、LCEL流式调用的一些例子

LCEL（LangChain Expression Language）是 LangChain 推出的声明式链式编程语法，核心目标是让开发者用极简的代码，把 LangChain 的各种组件（比如提示词、LLM、输出解析器）拼接成可执行的 “链”，而且自带异步、批处理、缓存等能力，不用自己写复杂的拼接逻辑。
可以把 LCEL 理解为：专门为 LangChain 组件设计的 “管道语法” —— 就像把不同功能的水管接在一起，数据从一端流入，经过各个组件处理后从另一端流出。

  1. from langchain_core.prompts import ChatPromptTemplate
  2. from langchain_core.output_parsers import StrOutputParser
  3. from langchain_core.runnables import RunnablePassthrough
  4. from pydantic import BaseModel, Field
  5. from typing import List, Dict, Optional
  6. from enum import Enum
  7. from langchain_openai import ChatOpenAI
  8. import json
  9. import os
  10. from langchain.chat_models import init_chat_model
  13. # 输出结构
  14. class SortEnum(str, Enum):
  15.     data = 'data'
  16.     price = 'price'
  19. class OrderingEnum(str, Enum):
  20.     ascend = 'ascend'
  21.     descend = 'descend'
  24. class Semantics(BaseModel):
  25.     name: Optional[str] = Field(description="流量包名称", default=None)
  26.     price_lower: Optional[int] = Field(description="价格下限", default=None)
  27.     price_upper: Optional[int] = Field(description="价格上限", default=None)
  28.     data_lower: Optional[int] = Field(description="流量下限", default=None)
  29.     data_upper: Optional[int] = Field(description="流量上限", default=None)
  30.     sort_by: Optional[SortEnum] = Field(description="按价格或流量排序", default=None)
  31.     ordering: Optional[OrderingEnum] = Field(
  32. description="升序或降序排列", default=None)
  35. # Prompt 模板
  36. prompt = ChatPromptTemplate.from_messages(
  37.     [
  38.         ("system", "你是一个语义解析器。你的任务是将用户的输入解析成JSON表示。不要回答用户的问题。"),
  39.         ("human", "{text}"),
  40.     ]
  41. )
  42. # 模型
  43. llm = ChatOpenAI(
  44.     api_key=os.getenv("DASHSCOPE_API_KEY"),
  45.     base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
  46.     model="qwen-plus",  # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
  47.     # other params...
  48. )
  50. structured_llm = llm.with_structured_output(Semantics)
  52. # LCEL 表达式
  53. runnable = (
  54.     {"text": RunnablePassthrough()} | prompt | structured_llm
  55. )
  57. # 直接运行
  58. ret = runnable.invoke("不超过100元的流量大的套餐有哪些")
  59. print(
  60.     json.dumps(
  61.         ret.model_dump(),
  62.         indent = 4,
  63.         ensure_ascii=False
  64.     )
  65. )

6、LangChain 与 LlamaIndex 的错位竞争

  • LangChain 侧重与 LLM 本身交互的封装
    • Prompt、LLM、Message、OutputParser 等工具丰富
    • 在数据处理和 RAG 方面提供的工具相对粗糙
    • 主打 LCEL 流程封装
    • 配套 Agent、LangGraph 等智能体与工作流工具
    • 另有 LangServe 部署工具和 LangSmith 监控调试工具
  • LlamaIndex 侧重与数据交互的封装
    • 数据加载、切割、索引、检索、排序等相关工具丰富
    • Prompt、LLM 等底层封装相对单薄
    • 配套实现 RAG 相关工具
    • 同样配套智能体与工作流工具
    • 提供 LlamaDeploy 部署工具，通过与三方合作提供过程监控调试工具
 2

啊！这个可能是世界上最丑的留言输入框功能~


当然，也是最丑的留言列表

有疑问发邮件到 : suibibk@qq.com 侵权立删
Copyright : 个人随笔   备案号 : 粤ICP备18099399号-2