LangChain 简介
LangChain是一个用于开发由大型语言模型驱动的应用程序的框架。它旨在帮助开发者更高效地构建基于LLM的复杂应用，通过提供模块化和标准化的工具链来简化开发流程。
LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起
主要功能
- Prompts：优化提示词（提示词工程）
- Models：调用各类模型
- History：管理会话历史记录（记忆）
- Indexes：管理和分析各类文档
- Chains：构建功能的执行链条
- Agent：构建智能体
LangChain安装
pip install langchain langchain-community dashscope chromadb
如果使用本地Ollama托管部署的模型 还需要安装Ollama支持包
pip install langchain-ollama
安装较慢建议使用清华镜像源
pip install langchain langchain-community dashscope chromadb langchain-ollama -i https://pypi.tuna.tsinghua.edu.cn/simple
- langchain: 核心包
- langchain-community: 社区支持包，提供了更多第三方模型调用（如阿里千问模型需要这个包）
- dashscope：阿里云通义千问的Python SDK
- chromadb: 轻量向量数据库（RAG需要）
模型组件 Models
LangChain目前支持三种类型的模型：LLMs（大语言模型）、Chat Models（聊天模型）、Embedding Models（嵌入模型）
- LLMs：是技术范畴的统称，指基于大参数量、海量文本训练的Transform架构模型，核心能力是理解和生成自然语言，主要服务于文本生成场景
- 聊天模型：是应用范畴的细分，是专为对话场景优化的LLMs，核心能力是模拟人类对话的轮次交互，主要服务于聊天场景
- 文本嵌入模型：文本嵌入模型接收文本作为输入，得到文本的向量
调用示例：
需要注意，要提前配置好环境变量，环境变量名称为DASHSCOPE_API_KEY 值为百炼平台创建的APIKey，与使用OpenAI使用的API_Key相同
另外qwen3或3.5系列模型为聊天模型，使用Tongyi(）接口调用的是LLMs模型接口
from langchain_community.llms.tongyi import Tongyi# 需要在环境变量中设置API Key DASHSCOPE_API_KEY# 实例化模型 不能使用qwen3或3.5系列模型， 因为qwen3和3.5为聊天模型 qwen-max或qwen-plus为LLMs模型
llm = Tongyi(model="qwen-plus")# 调用invoke向模型提问
res = llm.invoke(input="讲个笑话")print(res)
调用成功，可以得到结果
调用本地Ollama模型：
from langchain_ollama import OllamaLLMllm = OllamaLLM(model="qwen3:4b")res = llm.invoke(input="讲个笑话")print(res)
模型的流式输出
如果需要流式输出结果，需要将模型的invoke方法改为stream方法即可
invoke方法：一次性返回完整结果stream方法：逐段返回结果，流式输出
from langchain_community.llms.tongyi import Tongyillm = Tongyi(model="qwen-plus-2025-12-01")res = llm.stream(input="你是谁，简单说一下")for chunk in res:print(chunk, end="", flush=True)
聊天模型 Chat Models
聊天消息包含下面几种类型，使用时需要按照约定传入合适的值：
AIMessage：就是AI传输的消息，可以是针对问题的回答。（OpenAI库中的assistant角色）HumanMessage：人类消息就是用户消息。（OpenAI库中的user角色）SystemMessage：可以用于指定模型具体所处的环境和背景，如角色扮演。可以在这里给出具体的指示，比如“作为一个代码专家”，或“返回json格式”（OpenAI库中的system角色）
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage,SystemMessage,AIMessage# 初始化模型
chat = ChatTongyi(model="qwen3.5-27b")# 构造对话消息
messages = [SystemMessage(content="你是一个唐朝诗人"),HumanMessage(content="写一首唐诗"),
]# 流式输出
for chunk in chat.stream(input=messages):print(chunk.content, end="", flush=True)
简写形式：
文本嵌入模型 Embeddings Models（文本嵌入模型）
Embeddings Models嵌入模型的特点： 将字符串作为输入，返回一个浮点数列表（向量）
在NLP中，Embedding的作用就是将数据进行文本向量化。
from langchain_community.embeddings import DashScopeEmbeddings# 初始化嵌入模型对象 默认使用模型是 text-embedding-v1
embed = DashScopeEmbeddings()# 生成文本的嵌入向量(用于生成单条文本向量表示)
print(embed.embed_query("Hello World!"))
# 生成文本的嵌入向量(用于生成多条文本向量表示)
print(embed.embed_documents(["Hello World!", "你好，世界！"]))
总结
