LangChain从入门到精通：核心组件完全指南，值得收藏的LLM开发框架详解

目录

• 前记
• LangChain 是什么？
• 模型层（Models）
• 提示层（Prompts）
• 链层（Chains）

前记

本系列分为以下四篇，本篇为本系列的第一篇

1. LangChain 核心组件基础篇
2. LangChain 核心组件进阶篇
3. 基于LangChain的 AI Agent 开发
4. 基于LangChain的 MCP 开发

本篇目标：掌握 LangChain 的核心概念和最常用的基础模块，能够构建简单的 LLM 应用。

1. LangChain 核心概念与架构：
   • LangChain 是什么？ 它解决了哪些传统 LLM 开发的缺点？
   • 模块概览：Models(LLMs/Chat Models),Prompts,Chains,Data Connection(Retrieval),Memory,Agents,Callbacks。
   • *LangChain*的优势：模块化、可组合性、统一接口。
2. 模型层（Models）：
   • 封装器：langchain_openai.OpenAI、langchain.chat_models.init_chat_model
   • 同步与异步调用：理解invoke()与ainvoke()。
   • 模型参数配置：在 LangChain 中设置temperature,max_tokens等。
3. 提示层（Prompts）：
   • PromptTemplate： 定义通用文本提示模板，使用占位符。
   • ChatPromptTemplate： 专为聊天模型设计，包含系统、用户、助手消息。
   • 输出解析器(Output Parsers)：将 LLM 的自由文本输出结构化。
4. 链层（Chains）：
   • LangChain Expression Language (LCEL)
   • 顺序链
   • 多输入输出：RunnableParallel
   • 路由链：RunnableBranch
   • 记忆（Memory）
   • 缓存（Caching）

一、LangChain 是什么？

LangChain 是一个用于构建大语言模型（LLM）应用的框架。它的核心目标是简化开发流程，通过模块化设计，让开发者可以将不同组件（如模型、提示模板、数据检索、记忆、工具代理等）灵活组合，快速构建强大的 LLM 应用。它解决了传统 LLM 开发中的几个关键痛点：

• 单独使用 LLM API 难以处理复杂工作流
• 不同 LLM 接口不统一，切换成本高
• 难以实现记忆、外部数据连接等高级功能
• 缺乏标准化的组件组合方式

LangChain的核心优势是模块化和可组合性，通过统一接口将不同功能封装为可拼接的组件，主要包括：

二、模型层（Models）

模型参数

ainvoke异步

LangChain 提供了同步和异步两种调用模型的方式：

• invoke():用于同步调用模型。当您只需要单次调用，或者在脚本中按顺序执行时，可以使用此方法。
• ainvoke():用于异步调用模型。当您需要并发执行多个模型请求（例如，同时处理多个用户查询）时，ainvoke()结合asyncio可以显著提高效率，避免阻塞。

import os import time from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain.prompts import ChatPromptTemplate # 1. 加载 .env 中的环境变量 load_dotenv() api_key = os.getenv("DEEPSEEK_API_KEY") api_base = os.getenv("DEEPSEEK_API_BASE") ifnot api_key ornot api_base: raise EnvironmentError("请在 .env 中设置 DEEPSEEK_API_KEY 和 DEEPSEEK_API_BASE") # 2. 定义 Prompt 模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一位乐于助人的 AI 助手。"), ("human", "{input}") ]) # 3. 初始化 DeepSeek 聊天模型 chat_model = init_chat_model( model="deepseek-chat", temperature=0.6, # 随机性：0.0（最确定）–1.0（最随机） max_tokens=512, # 最多返回多少 token api_key=api_key, api_base=api_base ) # 4. 链式组合：Prompt → ChatModel pipeline = prompt | chat_model # 5. 同步调用 # def main(): # question = "请用一句话解释什么是 LangChain？" # answer = pipeline.invoke({"input": question}) # print("Q:", question) # print("A:", answer) # if __name__ == "__main__": # main() import asyncio asyncdef ask(q): returnawait pipeline.ainvoke({"input": q}) asyncdef batch_questions(): a1=time.time() qs = [ "LangChain 是什么？", "如何配置模型参数？", "LangChain 有哪些核心模块？" ] # 并发执行 results = await asyncio.gather(*(ask(q) for q in qs)) for q, r in zip(qs, results): print(f"Q: {q}\nA: {r}\n") a2=time.time() print(a2-a1)#22.283571004867554 if __name__ == "__main__": asyncio.run(batch_questions())

三、提示层（Prompts）

PromptTemplate

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain.prompts import PromptTemplate # 1. 加载环境变量 load_dotenv() API_KEY = os.getenv("DEEPSEEK_API_KEY") API_BASE = os.getenv("DEEPSEEK_API_BASE") assert API_KEY and API_BASE, "请配置 .env 中的 DEEPSEEK_API_KEY / DEEPSEEK_API_BASE" # 2. 定义模板 template = PromptTemplate( template="将下面这句话翻译成中文：\n\n{text}", input_variables=["text"] ) # 3. 初始化 instruct 模型 llm = init_chat_model( model="deepseek-chat", temperature=0.6, # 随机性：0.0（最确定）–1.0（最随机） max_tokens=512, # 最多返回多少 token ) # 4. 合成管道 pipeline = template | llm # 5. 调用 result = pipeline.invoke({"text": "Hello, how are you?"}) print("翻译结果：", result)

ChatPromptTemplate

对话式场景，模型具有 system/user/assistant 三角色概念。

import os from dotenv import load_dotenv from langchain.prompts import ChatPromptTemplate from langchain.chat_models import init_chat_model from langchain_core.output_parsers import StrOutputParser # 1. 环境加载 load_dotenv() API_KEY = os.getenv("DEEPSEEK_API_KEY") API_BASE = os.getenv("DEEPSEEK_API_BASE") # 2. 定义 ChatPromptTemplate chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一位专业的翻译助理。"), ("human", "请将以下英语翻译成中文：\n\n{sentence}") ]) # 3. 初始化聊天模型 chat_model = init_chat_model( model="deepseek-chat", temperature=0.2, max_tokens=512, api_key=API_KEY, api_base=API_BASE ) # 4. 组装管道 chat_pipeline = chat_prompt | chat_model |StrOutputParser() # 5. 同步调用 out = chat_pipeline.invoke({"sentence": "LangChain is awesome!"}) print("翻译成中文：", out)

OutputParser

四、链层（Chains）

LangChain Expression Language (LCEL)

CEL（LangChain Expression Language）是 LangChain 提供的声明式语法，用于以管道形式（|）组合 Prompt、LLM、工具、解析器等组件，构建复杂链式逻辑。其链式逻辑用 | 连接，代码更清晰；且组件可自由组合，易于扩展。

from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser load_dotenv() # 1. 初始化 DeepSeek 模型 model = init_chat_model( model="deepseek-chat", temperature=0.7 ) # 第一步：生成描述 prompt1 = PromptTemplate.from_template("详细描述 {topic} 的用途。") # 第二步：总结 prompt2 = PromptTemplate.from_template("总结以下内容为一句话：{description}") # 创建顺序链 chain = ( {"description": prompt1 | model | StrOutputParser()} | prompt2 | model | StrOutputParser() ) # 运行 result = chain.invoke({"topic": "云计算"}) print(result)

多输入输出

from langchain_core.runnables import RunnableParallel # 定义两个并行链 chain1 = PromptTemplate.from_template("介绍 {topic}") | llm | StrOutputParser() chain2 = PromptTemplate.from_template("列出 {topic} 的应用") | llm | StrOutputParser() # 并行运行 parallel_chain = RunnableParallel(intro=chain1, applications=chain2) # 运行 result = parallel_chain.invoke({"topic": "人工智能"}) print(result) # 输出：{"intro": "...", "applications": "..."}

路由链

import time from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.runnables import RunnableBranch, RunnablePassthrough from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser load_dotenv() # 1. 初始化 DeepSeek 模型 llm = init_chat_model( model="deepseek-chat", temperature=0.7 ) # 定义分支提示 technical_prompt = PromptTemplate.from_template("回答技术问题：{question}") general_prompt = PromptTemplate.from_template("回答一般问题：{question}") # 定义路由逻辑 router_prompt = PromptTemplate.from_template( "如果是技术问题，返回 'technical'，否则返回 'general'：{question}" ) router_chain = router_prompt | llm | StrOutputParser() # 定义分支 branch = RunnableBranch( (lambda x: "technical"in x["route"].lower(), technical_prompt | llm | StrOutputParser()), (lambda x: "general"in x["route"].lower(), general_prompt | llm | StrOutputParser()), general_prompt | llm | StrOutputParser() # 默认分支 ) # 组合链 chain = { "question": RunnablePassthrough(), "route": router_chain } | branch # 运行 result = chain.invoke({"question": "如何优化 Python 代码？"}) print(result)

输入处理：

• RunnablePassthrough()：直接传递原始问题
• router_chain：生成路由结果

步骤如下：

1. 输入：{"question": "如何优化 Python 代码？"}

2. 路由链判断：输出应为"technical"

3. 生成中间数据：

   { "question": "如何优化 Python 代码？", "route": "technical" }

4. 分支选择：匹配第一个条件，执行技术分支链

5. 技术链处理：

   • 模板格式化 → “回答技术问题：如何优化 Python 代码？”
   • 模型生成技术性回答
   • 输出解析为字符串

6. 最终输出：优化Python代码的技术建议

Memory

import time from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.runnables.history import RunnableWithMessageHistory from langchain_core.chat_history import InMemoryChatMessageHistory from langchain_core.output_parsers import StrOutputParser load_dotenv() # 1. 初始化 DeepSeek 模型 llm = init_chat_model( model="deepseek-chat", temperature=0.7 ) # 模拟会话存储 store = {} def get_session_history(session_id: str): if session_id notin store: store[session_id] = InMemoryChatMessageHistory() return store[session_id] # 定义提示 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个助手"), MessagesPlaceholder(variable_name="history"), ("human", "{input}") ]) # 创建链 chain = prompt | llm | StrOutputParser() # 添加记忆 chain_with_history = RunnableWithMessageHistory( chain, get_session_history, input_messages_key="input", history_messages_key="history" ) # 运行 config = {"configurable": {"session_id": "user1"}} config2 = {"configurable": {"session_id": "user2"}} print(chain_with_history.invoke({"input": "你好，我是季灾"}, config)) print(chain_with_history.invoke({"input": "我刚才说了什么？"}, config)) print(chain_with_history.invoke({"input": "我的名字叫什么？"}, config2)) print(chain_with_history.invoke({"input": "我的名字叫什么？"}, config))

Caching

import time from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.globals import set_llm_cache from langchain_core.caches import InMemoryCache from langchain_core.prompts import PromptTemplate from langchain_core.output_parsers import StrOutputParser load_dotenv() # 1. 初始化 DeepSeek 模型 llm = init_chat_model( model="deepseek-chat", temperature=0.7 ) # 开启缓存 set_llm_cache(InMemoryCache()) # 定义链 prompt = PromptTemplate.from_template("简单用一句话介绍 {topic}") chain = prompt | llm | StrOutputParser() # 运行（第一次调用 API） print(chain.invoke({"topic": "区块链"})) print("第二次") # 运行（从缓存读取） print(chain.invoke({"topic": "区块链"}))

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

0690+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】