第二章 LangChain核心组件实操

LangChain 做了统一抽象接口，不管 OpenAI、DeepSeek、Hugging Face 模型，调用写法基本一样，屏蔽底层接口差异，开发者只专注业务功能。

在LangChain中，大模型主要分为两类：

① LLM 文本生成模型：只传一段文字、返回一段文字，像 Llama、通义千问开源版；适合翻译、摘要、单次短文生成。
② ChatModel 对话模型：传入完整多轮对话记录（用户 + 助手历史消息），返回单条回复，像 GPT4o、DeepSeek 对话版；适合聊天机器人，能记住上下文。

模型调用（ChatOpenAI）

# 导入必要的模块from langchain_openaiimportChatOpenAI# OpenAI对话模型的统一接口from dotenvimportload_dotenvimportos# 加载API密钥（和上一章一样，从.env文件读取）load_dotenv()API_KEY=os.getenv("API_KEY")BASE_URL=os.getenv("BASE_URL")# 从环境变量读取，未配置时默认为None（使用OpenAI官方地址）ifnot API_KEY: raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")# 1. 初始化对话模型# 不管是哪个厂商的ChatModel，初始化参数都类似（model、temperature等）chat_model=ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model="deepseek-chat",# 选择对话模型temperature=0.3,# 随机性：0-1，越小越严谨，越大越有创造力max_tokens=200# 最大生成 tokens 数，避免生成过长内容)# 2. 构造对话消息# ChatModel需要接收的是“消息列表”，每个消息有角色（user/assistant/system）和内容messages=[# system消息：给助手设定身份和行为准则，会影响后续所有回复{"role":"system","content":"你是一个耐心的AI学习助手，回复简洁易懂，适合高校学生理解。"},# user消息：用户的问题{"role":"user","content":"请用3句话解释什么是LangChain？"}]# 3. 调用模型生成结果# 统一调用方法：invoke()，传入消息列表result=chat_model.invoke(messages)# 4. 输出结果# 结果是一个ChatMessage对象，content属性是回复内容print("ChatModel回复：")print(result.content)

备注：模型有多个角色，system/user/assistant 不只是标记是谁说话，本质是给模型施加不同层级的约束。（优先级：system > user > assistant）
三个角色分别是什么约束？
① system 系统提示（最高优先级全局约束）
对话开篇一次性设定全局规则：角色身份、回答风格、输出限制、行为边界。
全程生效，所有问答都必须遵守，用户无法覆盖这条规则，用户看不到这条消息。
类比：课前统一教学准则。
② user 用户消息（单次任务输入）
每轮用户新提问 / 指令，推进对话流程；
必须服从 system 定下的全局规则，不能更改底层约束。
类比：学生当场提出的新问题。
③ assistant 助手消息（上下文记忆载体）
模型不会自动记住历史回复，必须把上一轮模型输出以 assistant 格式塞进消息列表，模型才能连贯理解上下文。
作用是留存对话历史，保证多轮对话不脱节。
类比：刚讲完的板书，不记录就会失忆。

from langchain_openaiimportChatOpenAI from dotenvimportload_dotenvimportos load_dotenv()API_KEY=os.getenv("API_KEY")BASE_URL=os.getenv("BASE_URL")ifnot API_KEY: raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")chat_model=ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model="deepseek-chat",temperature=0.3,max_tokens=200)# 初始化对话历史（包含 system 设定）history=[{"role":"system","content":"你是一个耐心的AI学习助手，回复简洁易懂，适合高校学生理解。"}]# 第一轮对话history.append({"role":"user","content":"请用3句话解释什么是LangChain？"})result=chat_model.invoke(history)print("【第一轮回复】：")print(result.content)# 将模型的回复添加到历史中（assistant 消息）history.append({"role":"assistant","content":result.content})# 第二轮对话# 追问，模型需要上下文才能理解"它"history.append({"role":"user","content":"它的核心组件有哪些？"})result=chat_model.invoke(history)print("\n【第二轮回复】：")print(result.content)# 继续记录history.append({"role":"assistant","content":result.content})# 第三轮对话history.append({"role":"user","content":"给我一个简单的使用场景"})result=chat_model.invoke(history)print("\n【第三轮回复】：")print(result.content)

提示词模板（PromptTemplate）

PromptTemplate 相当于提示词的 “填空模板”，固定话术写死，变化内容传参填入，减少重复编码。
拆分固定文本和动态可变参数，模板一次定义、反复复用，提示词统一规范。

formatted_prompt=prompt_template.format(user_role="程序员",subject="AI Agent")result=chat_model.invoke([{"role":"user","content":formatted_prompt}])print("给程序员的AI Agent学习建议：")print(result.content)

少样本提示词模板案例：数据基建方向

# 导入必要的模板类from langchain_core.promptsimportFewShotPromptTemplate, PromptTemplate from langchain_openaiimportChatOpenAI from dotenvimportload_dotenvimportos load_dotenv()API_KEY=os.getenv("API_KEY")BASE_URL=os.getenv("BASE_URL")ifnot API_KEY: raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")chat_model=ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model="deepseek-chat",temperature=0.3,max_tokens=300)# 1. 定义少样本示例：数据基建相关两大模块examples=[{"data_infra_module":"数据仓库搭建","build_plan":"核心目标：统一企业数据口径，支撑报表与离线分析；搭建步骤：1. 梳理业务分层（ODS/DWD/DWS） 2. 选型存储引擎与调度工具 3. 制定数据血缘与质量校验规则；注意事项：分层解耦，提前预留分区扩容方案。"},{"data_infra_module":"实时数据管道开发","build_plan":"核心目标：低延迟同步业务数据流，支持实时指标看板；搭建步骤：1. 接入消息中间件Kafka 2. 使用Flink做流清洗与聚合 3. 写入实时数仓/Redis；注意事项：做好消息重试、幂等处理，避免数据重复。"}]# 2. 定义示例模板example_template=""" 数据基建模块：{data_infra_module}建设方案：{build_plan}""" example_prompt=PromptTemplate(input_variables=["data_infra_module","build_plan"],template=example_template)# 3. 组装少样本提示模板few_shot_prompt=FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,suffix="数据基建模块：{new_data_module}\n建设方案：",input_variables=["new_data_module"])# 4. 传入目标模块：数据底座平台（OpenClaw）formatted_prompt=few_shot_prompt.format(new_data_module="OpenClaw统一数据底座平台")print("少样本完整提示词：")print(formatted_prompt)# 5. 调用模型生成标准化建设方案result=chat_model.invoke([{"role":"user","content":formatted_prompt}])print("\n生成的数据底座建设方案：")print(result.content)