《简单了解并构建LangChain》
一、LangChain是什么
LangChain 是一个用于快速开发大语言模型（LLM）应用的开源编程框架，核心作用是把大模型（如 GPT、Llama、文心一言等）与外部数据、工具、服务连接起来，让模型能处理复杂、有上下文、能落地的实际任务。
1. 核心定位
LangChain 不训练模型、不替代模型，而是增强模型、连接模型、编排模型：
- 让大模型用上外部数据（文档、数据库、API、网页）
- 让大模型记住上下文（多轮对话、长流程）
- 让大模型调用工具（搜索、计算、代码、爬虫、业务接口）
- 让大模型做规划、分步骤、做决策（Agent 智能体）
2. 典型用途（你能用它做什么）
- 私有知识库问答（企业文档、产品手册、法律 / 医疗资料）
- 智能聊天机器人（带记忆、能查资料）
- 代码助手 / 自动编程
- 数据分析与自然语言查询（用中文问数据库）
- 内容生成、摘要、翻译、信息抽取
- 自动化工作流、AI 助手、智能客服
- 自主决策 Agent（能上网、查数据、做任务）
3. 为什么需要它？
个人理解：
只调用大模型ai只会简单输入数据，而运用langchain可以实现特定环境用法，或者我可以让ai搜集数据进行比对输出最优解，langchain就是为了提高ai的使用上限的
比如：
- 不用 LangChain：
AI 只能回答 “苹果是什么” - 用 LangChain：
AI 可以去查今年所有苹果价格 → 对比产地、销量、口碑 → 算出性价比最高的一款 → 给你购买建议
更官方一点：
原生 大模型(LLM) 可能会存在一些问题，例如将其当作搜索引擎去使用，LLM 生成的答案可能要比其他搜索引擎查到的答案更符合你的预期，但要是在复杂的场景下使用，如将 LLM 嵌⼊应用程序时却遭遇了全新难题：
- 简单提示词（Prompt）得到的答案经常出现幻觉？
- 提示词结构是否可以统⼀规范？
- 如何实现开发过程中大模型的轻松、灵活切换？
- 大模型输出是非结构化的，怎样与要求结构化数据的程序接口交互？
- 如何克服预训练模型知识陈旧的问题，引入实时更新？
- 如何连接模型与外部工具或系统，执行具体任务？
- …
LangChain 框架的核心目标就是应对这些挑战。它通过将自然语言处理流程拆解为标准化组件，让开发者能够自由组合并高效定制工作流。
二、申请 API key 并配置环境变量
1. 这里使用阿里的千问进行演示：获取api
- 创建属于自己的api
- 通过兼容 OpenAI 格式的 Chat API 调用千问模型
importosfromopenaiimportOpenAI client=OpenAI(# 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"api_key=os.getenv("DASHSCOPE_API_KEY"),base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)completion=client.chat.completions.create(# 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/modelsmodel="qwen-plus",messages=[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"你是谁？"},])print(completion.model_dump_json())2. LangChain 软件包安装
- 主 langchain 包
pipinstalllangchain- langchain-core 包
pipinstalllangchain-core- Integrations 集成包
pipinstalllangchain-openai- langchain-community 包
pipinstalllangchain-community3. 定义大模型
- 安装 OpenAI 包
pipinstall-Ulangchain-openai- 完整代码
fromlangchain_core.messagesimportSystemMessage,HumanMessagefromlangchain_openaiimportChatOpenAI model=ChatOpenAI(model="qwen-plus",api_key='sk-7209f28da070436f8bc85366d75de3fb',base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)messages=[SystemMessage(content="You are a helpful assistant."),HumanMessage(content='你是谁')]result=model.invoke(messages)print(result)#result 不是纯字符串，而是一个对象messages是一个对话列表（chat history）
- SystemMessage：表示系统角色消息（system role），用于在对话开始时对模型进行全局行为约束和上下文设定。
- HumanMessage：表示用户角色消息（user role），是从用户发送到模型的输入内容。
content=‘你好！我是通义千问（Qwen），阿里巴巴集团旗下的超大规模语言模型。我能够回答问题、创作文字，比如写故事、写公文、写邮件、写剧本、逻辑推理、编程等等，还能表达观点，玩游戏等。如果你有任何问题或需要帮助，欢迎随时告诉我！😊’ additional_kwargs={‘refusal’: None} response_metadata={‘token_usage’: {‘completion_tokens’: 66, ‘prompt_tokens’: 21, ‘total_tokens’: 87, ‘completion_tokens_details’: None, ‘prompt_tokens_details’: {‘audio_tokens’: None, ‘cached_tokens’: 0}}, ‘model_provider’: ‘openai’, ‘model_name’: ‘qwen-plus’, ‘system_fingerprint’: None, ‘id’: ‘chatcmpl-86798ed2-f290-9281-b399-5e47eb28f8fc’, ‘finish_reason’: ‘stop’, ‘logprobs’: None} id=‘lc_run–019d85dd-f053-7030-9ea6-d09335fbbcb6-0’ tool_calls=[] invalid_tool_calls=[] usage_metadata={‘input_tokens’: 21, ‘output_tokens’: 66, ‘total_tokens’: 87, ‘input_token_details’: {‘cache_read’: 0}, ‘output_token_details’: {}}