LangChain 入门必读：10 分钟掌握 5 个核心组件，快速搭建你的第一个 AI 应用

很多想上手大模型应用开发的朋友，一开始都会卡在同一个问题：直接调用 OpenAI 接口只能实现简单问答，如果想要实现文档读取、对话记忆、任务拆解这类复杂功能，自己从零写代码成本太高。

LangChain 就是用来解决这个问题的开发框架。它把大模型应用开发里通用的能力封装成标准化组件，不用重复造轮子，我们可以自由组合，快速搭建具备完整业务逻辑的 AI 程序。

本文不会堆砌晦涩概念，只用 10 分钟讲清楚 LangChain 最重要的 5 个核心组件，最后附带可直接运行的完整示例代码，带你写出第一个 AI 应用。

一、先搞懂：LangChain 到底是什么？

简单来说，LangChain 是一套大模型应用开发工具集。 原生大模型接口能力十分单一，只能接收文本、返回文本。而现实需求往往更加复杂：

• 和大模型持续多轮对话，记住上文内容
• 读取本地 PDF、TXT 文档，让 AI 基于私有资料回答
• 拆分复杂任务，让 AI 分步执行
• 对接搜索引擎、数据库、各类第三方工具

LangChain 将这些高频需求抽象成独立组件，开发者像搭积木一样组合组件，就能快速开发智能应用。

二、五大核心组件（入门重中之重）

1. Models｜模型封装层

这是最基础的组件，作用是统一对接各类大模型。 不管是 OpenAI、通义千问、Claude，还是本地部署的开源大模型，LangChain 提供统一调用规范。切换模型时，几乎不需要大幅改动业务代码。

模型分为两大类：

• LLM：传统文本补全模型，输入文本，输出文本（例如text-davinci-003）
• ChatModel：对话模型，支持角色区分（System、Human、AI），现在主流开发都使用这类模型，像 gpt-3.5-turbo、gpt-4 都属于 ChatModel。

新手建议直接优先学习 ChatModel，适配当下绝大多数业务场景。

2. Prompts｜提示词管理

写提示词不只是简单拼接字符串，正式开发中需要模板、变量、格式约束。 Prompt 组件提供模板功能，支持预设提示词框架，动态填入变量。 举个简单场景：我们需要 AI 作为技术顾问回答问题，每次提问都复用一套角色设定，只更换用户问题，使用 PromptTemplate 就不用重复复制粘贴提示文本。

同时它还内置输出解析器，能够强制大模型返回 JSON、列表等结构化格式，避免 AI 自由输出导致程序无法解析结果。

3. Chains｜任务链路编排

Chain 是 LangChain 的核心执行单元，代表一条完整任务链路。 单独调用模型、提示词只能完成单一动作；Chain 可以把多个组件串联起来，形成自动化流程。

最简单的链路：提示词模板 → 大模型 → 结果输出复杂链路可以拓展：读取文档 → 文本分割 → 向量检索 → 组装提示词 → 调用大模型

框架内置大量开箱即用的通用 Chain，比如问答链、检索增强链；同时支持自定义 Chain，实现个性化业务流程。

4. Memory｜对话记忆

原生大模型接口本身没有记忆能力，每一次请求都是独立的，不会自动记住历史对话。 Memory 组件专门用来存储、管理对话上下文。

常见类型：

• ConversationBufferMemory：完整保存全部对话记录
• SummaryMemory：自动总结历史对话，防止上下文过长超出模型 token 限制

开发聊天机器人时，这个组件必不可少，轻松实现连续对话效果。

5. Retrieval｜检索增强（RAG 核心）

如果想让 AI 读取本地私有文档、知识库，就需要检索组件，也是当下最热门的 RAG（检索增强生成）应用的基础。

整套流程分为几个环节：

1. 加载文档（PDF、Markdown、Word 等）
2. 文本切分：把长篇文档拆分成小段文本
3. 文本向量化：转为向量存入向量数据库
4. 用户提问时，将问题向量化，检索相似度最高的文档片段
5. 将检索到的资料放进提示词，交给大模型回答

依靠这套能力，我们不需要微调模型，就能让 AI 基于自有资料精准作答。

三、五大组件关系总结

Prompt（提示词） + Model（模型） + Memory（记忆） → 组装进 Chain（任务链路）如果需要接入私有知识库，再额外加入 Retrieval（检索模块）拓展能力。

所有复杂的 LangChain 应用，本质上都是这 5 个组件不同形式的组合。

四、实战：搭建第一个可运行的 LangChain 对话程序

环境准备

安装依赖

bash

运行

pip install langchain langchain-openai python-dotenv

在项目根目录新建.env文件，填入密钥与接口地址（兼容 OpenAI 协议的国产模型也能直接套用）

env

OPENAI_API_KEY=你的key OPENAI_BASE_URL=https://api.openai.com/v1

完整代码示例

python

运行

from dotenv import load_dotenv import os from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from langchain.memory import ConversationBufferMemory # 加载环境变量 load_dotenv() # 1. 初始化模型（Models组件） llm = ChatOpenAI( model_name="gpt-3.5-turbo", temperature=0.7 ) # 2. 提示词模板（Prompts组件） prompt = PromptTemplate( input_variables=["question"], template="""你是一名资深后端开发工程师，简洁专业地解答用户代码相关问题。 用户问题：{question}""" ) # 3. 对话记忆（Memory组件） memory = ConversationBufferMemory() # 4. 组装任务链路Chain chat_chain = LLMChain( llm=llm, prompt=prompt, memory=memory ) # 启动对话 if __name__ == "__main__": print("AI助手已启动，输入exit结束对话") while True: user_input = input("你：") if user_input.lower() == "exit": break res = chat_chain.run(question=user_input) print(f"AI：{res}")

这段代码整合了Models、Prompt、Memory、Chain四大组件。运行之后可以持续对话，AI 能够记住上文内容。 如果后续想要接入本地文档，只需要引入 Retrieval 相关组件扩展代码，不需要重构现有对话逻辑。

五、新手常见误区提醒

1. 不要一上来就学复杂 RAG先把基础 Chain、Prompt、Memory 练熟，理解组件的调用逻辑，再上手文档检索。

2. 区分 LangChain 两个大版本目前主流为 LangChain 0.1+，旧版本大量 API 已经废弃，网上老旧教程谨慎照搬，优先使用最新官方文档写法。

3. 不要过度依赖框架封装LangChain 是工具，不要把所有逻辑全部交给框架。理解底层原理，遇到报错时才能快速定位问题。

六、后续学习路线

掌握五大基础组件之后，可以顺着这个路线进阶：

1. 学习文本分割器、向量数据库，搭建基础 RAG 知识库问答系统
2. 学习 Agent 智能体，实现自主调用工具的 AI
3. 自定义 Chain，封装贴合自身业务的执行流程
4. 结合 FastAPI，把 LangChain 程序封装成 Web 接口对外提供服务