第五节：LangChain框架简介和快速入门(模型、模板、解释器、向量、RAG、代理)

博客园 - Yaopengfei

第五节：Claude Code的用法实操汇总第十五节：LlamaIndex框架使用2() 第十四节：LlamaIndex框架介绍和入门1(基本用法、提示词、节点等) 第三节：Trae的基本使用和 Skill的详细用法第二节：Python基础2 第十三节：FastApi入门以及AI智能体案例落地实操第二节：GitHub Copilot 用法(基于VSCode/VS、添加DeepSeek/千问等任意模型) 第一节：AI工具总览(Copilot、Cursor、Claude Code、OpenCode、Codex、Trae等) 第一节：Python基础1(数据类型、命名规范、输入输出、运算符、类型转换等) 第十节：预检索-索引优化(摘要、父子、假设问题、元数据、混合索引) 第十二节：MinerU处理复制PDF 和综合性金融案例实战第十一节：多检索查询、混合检索(多检索+RRF重排)、检索后优化(文档压缩) 第九节：RAG进阶和Advanced RAG简介博文阅读密码验证 - 博客园第七节：LangChain框架Chain链和Agent代理详解第六节：LangChain框架Model和数据检索详解第四节：补充pip相关指令大全第三节：RAG基础(概念、工作流程、文档分块、向量和Embedding、RAG案例等等) 博文阅读密码验证 - 博客园第一节：Python相关环境安装和配置(Python、PyCharm、Anaconda) 第三十六节：EFCore10.0新增功能和中断性变更第七节：框架版本大升级(CoreMvc10.x + EFCore10.x) 第五十二节：Core10.0中OpenApi自定义文档(Swagger) 博文阅读密码验证 - 博客园第三节：C#13、C#14新语法(数字字符串比较、Null分配、扩展成员新写法等等) 第二节：如何理解Embedding以及基于内存库简单实操

Yaopengfei · 2026-04-07 · via 博客园 - Yaopengfei

一. 简介

1. 介绍

官⽅⽂档：https://reference.langchain.com/python/langchain/ 中文文档: https://langchain.ichuangpai.com/

Langchain是一个用于开发大语言模型的框架，简化了LLM应用程序生命周期的各个阶段：

(1) 开发阶段：使用LangChain的组件快速构建应用程序。

(2) 生产阶段：使用LangSmith检查、监控、评估你的链。

(3) 部署阶段：使用LangServer将任何链转换成API。

2. 发展历史

当前为第四阶段

阶段四：企业级稳定版 (v1.0.0)

发布时间：2025.10
- 核心变化：首个主要版本 (Major Release)，标志着框架进入成熟期。
- 技术细节：
  - 长期稳定 (LTS)：核心 API 锁定，不再进行破坏性更新，满足企业级生产环境的稳定性要求。
  - LangGraph 1.0：同步发布 LangGraph 1.0 正式版。这确立了“图 (Graph)”结构作为复杂智能体（Agent）编排的标准架构，取代了早期的线性链式架构。
  - 文档体系重构：提供了结构更清晰、以用例为导向的官方文档。

当前1.x版本的架构图：

3. LangChain的核心组件

模型（Models）：包含各大语言模型的LangChain接口和调用细节，以及输出解析机制。

嵌入（Embeddings）：为检索增强生成（RAG）提供基础支持

代理（Agents）：另一个LangChain中的核心机制，通过“代理”让大模型自主调用外部工具和内部工具，使智能Agent成为可能。

工具 (Tools) : 赋予大模型与外部世界交互的能力。工具可以是搜索引擎、计算器、数据库连接，或者是自定义的 API 接口。

中间件 (Middleware) : 在 LangChain 的 Agent 体系中，Middleware 是一种拦截器机制，允许开发者在 Agent 执行循环的各个关键节点插入自定义逻辑。

消息（Messages): 标准化对话数据结构，确保不同模型间的兼容性

PS：补充一些功能封装术语

LLMs：大语言模型
ChatModels：一般基于 LLMs，但按对话结构重新封装
Prompt：提示词模板
OutputParser：解析输出
Retriever: 向量的检索
Document Loader：各种格式文件的加载器
Embedding Model：文本向量化表示，用于检索等操作
Verctor Store: 向量的存储
Text Splitting：对文档的常用操作
Tools：调用外部功能的函数，例如：调 google 搜索、文件 I/O、Linux Shell 等等
Toolkits：操作某软件的一组工具集，例如：操作 DB、操作 Gmail 等等

4. 开源第三方库

模型（Models）：包含各大语言模型的LangChain接口和调用细节，以及输出解析机制。

langchain-core ： 是 LangChain 框架的基石，它包含了最基础、最稳定且与具体模型供应商无关的核心抽象与接口
langchain-community ：第三方集成。合作伙伴包（如langchain-openai、langchain-anthropic等），一些集成已经进一步拆分为自己的轻量级包，只依赖于langchain-core
langchain ：构成应用程序认知架构的链、代理和检索策略
langgraph：通过将步骤建模为图中的边和节点，使用 LLMs 构建健壮且有状态的多参与者应用程序
langserve：将 LangChain 链部署为 REST API
LangSmith：一个开发者平台，可让您调试、测试、评估和监控LLM应用程序，并与LangChain无缝集成

注意: Langchain开发我们一般说的是他的整个生态

5. langchain-core的核心功能

二. 实操1

1. 版本说明

此处均使用当前最新版本 langchain 1.x 版本，很多都是相互依赖的，必备的安装指令如下：

pip install langchain==1.2.15 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install langchain-openai==1.1.14 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install langchain_community==0.4.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install langchain_tavily==0.2.18 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install langchain_huggingface==1.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install langchain_chroma==1.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 模型调用

代码分享

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model_name="qwen-turbo")

# 一次性输出
# response = llm.invoke("什么是大模型？")
# print(response.content)

# 流式输出（逐字打印）
end = ""  # 表示不换行
stream_iterator = llm.stream("什么是大模型？")
for chunk in stream_iterator:
    print(chunk.content, end="", flush=True)

多轮对话

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# LangChain 1.x 新版消息导入
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage

"""
     AIMessage     等价于OpenAI接口中的assistant role AI 模型的回复消息
     HumanMessage  等价于OpenAI接口中的user role  表示用户输入的消息
     SystemMessage 等价于OpenAI接口中的system role  系统级指令或背景设定
"""


load_dotenv()
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model_name=os.getenv("model1"))
messages = [
    SystemMessage(content="你是各位老师的个人助理。你叫小戈"),
    HumanMessage(content="我的名字叫小张"),
    AIMessage(content="不好意思，暂时无法获取天气情况"),
    HumanMessage(content="我是谁？"),
    # HumanMessage(content="今天天气怎么样"),
]
# response = llm.invoke(messages)
# print(response.content)

# 流式输出
stream = llm.stream(messages)
for chunk in stream:
    print(chunk.content, end="", flush=True)

3. 提示模板

代码分享

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

load_dotenv()
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model_name="qwen-plus")

# 需要注意的一点是，这里需要指明具体的role，在这里是system和用户
# {input}为变量
prompt = ChatPromptTemplate.from_messages([("system", "您是世界级的技术文档编写者"), ("user", "{input1}")])

# 我们可以把prompt和具体llm的调用和在一起（通过chain，chain可以理解为sequence of calls to take）  Linux  ps aux | grep redis
chain = prompt | llm

# 一次性输出
# response = chain.invoke({"input1": "大模型中的LangChain是什么?简单总结,不要超过200字"})
# print(response.content)

# 流式
stream = chain.stream({"input1": "大模型中的LangChain是什么?简单总结,不要超过200字"})
for chunk in stream:
    print(chunk.content, end="", flush=True)

4. 输出解释器

代码分享

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from dotenv import load_dotenv
import os


load_dotenv()
# 初始化模型
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model_name="qwen-plus")
# 创建提示模板
prompt = ChatPromptTemplate.from_messages([("system", "您是世界级的技术文档编写者。"), ("user", "{input}")])
# 使用输出解析器
# output_parser = StrOutputParser()
output_parser = JsonOutputParser()

# 将其添加到上一个链中
chain = prompt | llm | output_parser

# 调用它并提出同样的问题。答案是一个字符串，而不是ChatMessage
# 如果你没有让大模型使用json格式输出，会报错
# res = chain.invoke({"input": "LangChain是什么?不要超过300个字符"})
res = chain.invoke({"input": "LangChain是什么? 问题用question 回答用answer 用JSON格式回复,不要超过300个字符"})

print(res)

5. 前置-向量库FAISS的用法

faiss读法：法伊斯

(1) 构建索引

"""
    faiss-cpu = 真正的向量数据库引擎（Facebook 开源）
    langchain_community = 只是 FAISS 的包装壳，让你能在 LangChain 里调用 FAISS
    必须安装：
      pip install faiss-cpu -i https://pypi.tuna.tsinghua.edu.cn/simple
"""
import os
import bs4
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader  # 加载网页资源
from langchain_community.embeddings import DashScopeEmbeddings  # 千问的向量模型加载库
from langchain_community.vectorstores import FAISS
from dotenv import load_dotenv

load_dotenv()

# FAISS：读法：法伊斯

# 1. 获取文档 (先确认该网址是否能打开)
webLoader = WebBaseLoader(
    'https://www.gov.cn/zhengce/content/202510/content_7043916.htm',
    bs_kwargs=dict(parse_only=bs4.SoupStrainer(id='UCAP-CONTENT')),
)
# 数据格式:返回格式Document对象, metadata 源数据   page_content源文件内容
# print(webLoader.load())

# 2.文档切片
text_spl = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)
docs = text_spl.split_documents(webLoader.load())
# print(docs)
# print(len(docs))

# 3. 初始化向量模型
vect = None
batch_size = 10  # 每批处理10条文档
embs = DashScopeEmbeddings(dashscope_api_key=os.getenv("api_key"), model=os.getenv("model2"))

# 4. 分批向量化 + 合并向量库
for i in range(0, len(docs), batch_size):
    batch_docs = docs[i : i + batch_size]
    print(f'第{i // batch_size + 1}批次 文档数量: {len(batch_docs)}')
    if i == 0:
        vect = FAISS.from_documents(batch_docs, embs)  # 首次创建
    else:
        new_vect = FAISS.from_documents(batch_docs, embs)  # 后续批次合并添加
        vect.merge_from(new_vect)

# 5. 保存到本地
vect.save_local('faiss_store')

(2) 进行搜索

import os
from langchain_classic.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_classic.chains import create_retrieval_chain
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import DashScopeEmbeddings
from dotenv import load_dotenv

load_dotenv()

# 1.初始化向量模型
embeddings = DashScopeEmbeddings(dashscope_api_key=os.getenv("api_key"), model=os.getenv("model2"))
# 2.加载本地FAISS向量库（私有知识库）
save_path = "faiss_store"
vector_store = FAISS.load_local(folder_path=save_path, embeddings=embeddings, allow_dangerous_deserialization=True)  # 允许加载 pickle 文件（仅限可信文件）

# 3.创建提示模板
prompt = ChatPromptTemplate.from_template(
    """仅根据提供的上下文回答以下问题:
        <context>
        {context}
        </context>
    问题: {input}"""
)
# 4. 初始化大模型（通义千问）
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model=os.getenv("model1"))
# 5. 文档拼接链：把检索到的文档塞进提示，给LLM生成答案
doc_chain = create_stuff_documents_chain(llm, prompt)
# 6. 向量库 → 检索器（根据问题找相关文档）
retriever = vector_store.as_retriever()
# 7. 完整RAG链：检索 + 生成
rag_chain = create_retrieval_chain(retriever, doc_chain)
# 8. 提问并打印结果
response = rag_chain.invoke({"input": "密云水库水源保护条例什么时候执行"})
# print("检索到的文档：", response["context"])  # 想看检索到的文档，打开这行
print("模型回答：", response["answer"])

6. RAG案例

获取数据的工具类my_utils封装

查看代码

 """
    faiss-cpu = 真正的向量数据库引擎（Facebook 开源）
    langchain_community = 只是 FAISS 的包装壳，让你能在 LangChain 里调用 FAISS
    必须安装：
      pip install faiss-cpu -i https://pypi.tuna.tsinghua.edu.cn/simple
"""

# 导入和使用 WebBaseLoader
import os

# 消除警告，告诉服务器你是谁
os.environ["USER_AGENT"] = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"

import bs4
from dotenv import load_dotenv
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.embeddings import DashScopeEmbeddings  # 阿里社区提供的向量模型库
from langchain_community.vectorstores import FAISS  # 使用FAISS数据库

load_dotenv()


def faiss_conn():
    # 1. 爬取指定网页内容
    loader = WebBaseLoader(
        web_path="https://www.gov.cn/zhengce/content/202604/content_7064504.htm",
        bs_kwargs=dict(parse_only=bs4.SoupStrainer(id="UCAP-CONTENT")),  # 过滤这个id下的内容
    )
    docs = loader.load()
    # 2. 切分文档
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
    documents = text_splitter.split_documents(docs)[:10]  # 取前十条
    # 3. 初始化向量模型
    embeddings = DashScopeEmbeddings(dashscope_api_key=os.getenv("api_key"), model=os.getenv("model2"))
    # 4. 构建并返回FAISS向量库
    # 向量存储  embeddings 会将 documents 中的每个文本片段转换为向量，并将这些向量存储在 FAISS 向量数据库中
    vector = FAISS.from_documents(documents, embeddings)
    return vector

主代码分享

import os
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from my_utils import faiss_conn
from dotenv import load_dotenv
from langchain_classic.chains import create_retrieval_chain
from langchain_classic.chains.combine_documents import create_stuff_documents_chain

load_dotenv()

# {context}变量必须包含
prompt = ChatPromptTemplate.from_template(
    """
    仅根据提供的上下文回答以下问题:
    <context>
    {context}
    </context>    
    问题: {input}
    """
)
# 创建llm连接
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model_name=os.getenv("model1"))
# 创建文档组合链  将文档内容和用户问题组合成一个完整的提示，然后传递给语言模型生成回答
document_chain = create_stuff_documents_chain(llm, prompt)
# 生成检索器示例  创建检索器
retriever = faiss_conn().as_retriever()
retriever.search_kwargs = {"k": 3}  # 限制为最多检索3个文档
# 创建检索链   该链结合了检索器和文档组合链，实现了从向量数据库中检索相关文档，并将这些文档与用户问题组合成提示
retrieval_chain = create_retrieval_chain(retriever, document_chain)
# 调用检索链并获取回答
response = retrieval_chain.invoke({"input": "信用与企业的关系？"})
print(response["answer"])

7. 代理

在 LangChain 的世界里，Agent 是一个智能代理，它的任务是听取你的需求（用户输入）和分析当前的情境（应用场景），然后从它的工具箱（一系列可用工具）中选择最合适的工具来执行操作。

代码分享

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.tools.retriever import create_retriever_tool
from langchain.agents import create_agent
from my_utils import faiss_conn

load_dotenv()

# 1. 读取并存储数据，然后创建检索器
retriever = faiss_conn().as_retriever()

# 2. 创建检索工具
retriever_tool = create_retriever_tool(
    retriever,
    name="关于建立企业信用状况综合评价体系的实施方案的一个检索器工具",
    description="搜索有关信用的任何问题，您必须使用此工具!",
)
tools = [retriever_tool]

# 3.初始化LLM
llm = ChatOpenAI(api_key=os.getenv("api_key"), base_url=os.getenv("base_url"), model=os.getenv("model1"))

# 4.初始化agent(新版不需要AgentExecutor)
agent = create_agent(model=llm, tools=tools, system_prompt="你是一个客服助手，使用工具回答问题。")

# 5. agent调用
inputs = {"messages": [{"role": "user", "content": "请用中文回答，信用和企业的关系是什么？"}]}
result = agent.invoke(inputs)
print(result['messages'][-1].content)
# print(result)

作者 : Yaopengfei(姚鹏飞)
博客地址 : http://www.cnblogs.com/yaopengfei/
声明1 : 如有错误，欢迎讨论，请勿谩骂^_^。
声明2 : 原创博客请在转载时保留原文链接或在文章开头加上本人博客地址，否则保留追究法律责任的权利。

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

博客园 - Yaopengfei