Langchain的学习（一）
目录
一，实操
编码
Runnable
Runnable 是什么
核心方法（所有 Runnable 都有）
最关键能力：用 | 组合（LCEL）
常用内置 Runnable
总结
二，聊天模型-核心能力
定义模型
init_chat_model
本地部署
调用工具
定义工具-Tool
version1
schema：
version2（基于Pydantic）
version3（基于Annotated）
定义工具-StructredTool
version1
version2（基于Pydantic）
version3（基于response_format）
核心概念整理
总结
绑定工具
选择工具
调用工具
langchain提供的工具
TavilySearch
结构化返回
Pydantic
TypedDict
Json Schema
选择结构
使用场景
作为信息提取器
使用少样本提示来增强信息提取能力（后文再介绍）
与工具结合使用
流式传输
stream（）-同步传输
astream()-异步传输
进程、线程、协程的区别
异步协程版本
核心概念
什么时候用协程？
自定义输出格式
深度流式输出的探索
SSE协议
Langchain流式传输流程分析
一，实操
编码
依赖安装-见见猪跑
pip install langchain-openai langchain-core -i https://pypi.tuna.tsinghua.edu.cn/simplefrom langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser from langchain_openai import ChatOpenAI # 初始化 DeepSeek 模型（兼容 OpenAI 接口） model = ChatOpenAI( model="deepseek-chat", api_key="你的DeepSeek密钥", #可定义为系统环境变量 base_url="https://api.deepseek.com/v1", temperature=0.0 #精确度 ) # model = ChatOpenAI( # model="deepseek-chat", # base_url="https://api.deepseek.com/v1", #) # 构造系统提示 + 用户消息 messages = [ SystemMessage(content="你的任务是翻译，只输出翻译后的英文，不要回答问题，不要额外解释。"), HumanMessage(content="你是谁") ] # 字符串输出解析器 parser = StrOutputParser() # LCEL 链式调用：模型 | 解析器 chain = model | parser # 执行并打印结果 print(chain.invoke(messages)) #DeepSeek 兼容 OpenAI 接口，只需配置 base_url + 自身 APIKey 即可调用； #temperature=0.0 降低随机性，严格遵循系统指令； #StrOutputParser 直接提取纯文本结果，去除模型冗余包装； #用 模型 | 解析器 LCEL 链式写法，代码更简洁优雅。Runnable
Runnable 是什么
Runnable 是 LangChain 所有可执行组件的统一标准接口（在langchain_core.runnables中定义）。只要实现了这个接口，LLM、Prompt、解析器、检索器、自定义函数、甚至整条链 / Graph，都能用同一套方法调用、组合、部署。
一句话：它是 LangChain 的 “万能积木” 规范。
核心方法（所有 Runnable 都有）
- invoke(input)：同步执行，输入→输出（最常用）
- ainvoke(input)：异步执行
- batch([inputs])：批量并行处理多个输入
- stream(input)：流式返回（大模型逐字输出）
最关键能力：用|组合（LCEL）
所有 Runnable 都能用管道符|串成工作流（LangChain Expression Language）：
chain = prompt | llm # chain = RunnableSequence ( first=prompt , second=llm ) # chain = prompt.pipe(llm) # 以上效果相同- 自动变成一个新 Runnablereference.langchain.com
- 自动支持：同步 / 异步、批量、流式reference.langchain.com
- 前一步输出 = 后一步输入，无需手动传参
常用内置 Runnable
- RunnableLambda：把任意 Python 函数包装成 Runnable
- RunnablePassthrough：原样透传输入（用于分叉 / 保留中间结果）
- RunnableParallel：并行执行多个分支
- RunnableBranch：按条件走不同分支
总结
Runnable = 统一接口 + 四种执行方式 + 管道组合，让 LangChain 组件能像积木一样快速拼出复杂 AI 工作流reference.langchain.com
二，聊天模型-核心能力
定义模型
init_chat_model
1.基本用法
#++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ # 定义模型1：api_key 加上 英文双引号！ model1=ChatOpenAI( model="deepseek-chat", api_key="你的DeepSeek密钥", base_url="https://api.deepseek.com/v1" ) #++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ # 定义模型2 model2= init_chat_model( model="deepseek-chat", model_provider="deepseek", #指定厂商 api_key="你的DeepSeek密钥" ) # 【优化指令：强制模型只做翻译】 message = [ SystemMessage(content="严格执行：只做中文翻译成英文，禁止回答、禁止解释、禁止闲聊，只输出翻译结果！"), HumanMessage(content="你是谁"), ] # 解析器 + 链 parse = StrOutputParser() chain = (model | parse) # 运行 print(chain.invoke(message)) #++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++2.可配置的模型
from langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser from langchain.chat_models import init_chat_model #+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ # 未定义模型，仅作初始化 model = init_chat_model( temperature=0.0 ) #+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ # 【优化指令：强制模型只做翻译】 message = [ SystemMessage(content="严格执行：只做中文翻译成英文，禁止回答、禁止解释、禁止闲聊，只输出翻译结果！"), HumanMessage(content="你是谁"), ] # 解析器 + 链 parse = StrOutputParser() chain = (model | parse) # 利用模型的invoke指定模型并运行 print(chain.invoke(message,config={"configurable":{"model":"deepseek-chat"}}))3.可配置的模型(默认值)
from langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser from langchain.chat_models import init_chat_model # 未定义模型，仅作初始化 model = init_chat_model( model="deepseek-chat", model_provider="deepseek", temperature=0.0, max_tokens=1024 ) # 【优化指令：强制模型只做翻译】 message = [ HumanMessage(content="你是谁"), ] # 解析器 + 链 parse = StrOutputParser() chain = (model | parse) # 运行 print(chain.invoke( message, config={ "configurable":{ "max_tokens":"20" } } ) )如代码所示：我将"max_tokens":"1024"改变为==》"max_tokens":"20"含义为回答上限最大为20token，结果却并不符合预期
#结果展示 #D:\code\review\OwnTest\.venv\Scripts\python.exe D:\code\review\OwnTest\test3.py #你好！我是DeepSeek，由深度求索公司创造的AI助手。我是一个纯文本模型，可以帮你解答问题、处#理信息、进行对话等。我支持阅读链接、上传文件（图片、PDF、Word、Excel等），还能联网搜索（需#要手动开启）。我的上下文长度达到1M，可以一次性处理像《三体》三部曲那样体量的书籍。最重要的#是，我完全免费使用！有什么我可以帮你的吗？😊 #进程已结束，退出代码为 0原因是未定义configurable_fields=("max_tokens",),config_prefix="first"：
# 未定义模型，仅作初始化 model = init_chat_model( model="deepseek-chat", model_provider="deepseek", temperature=0.0, max_tokens=1024, configurable_fields=("max_tokens",), config_prefix="first" #前缀 ) # 运行 print(chain.invoke( message, config={ "configurable":{ "first_max_tokens":"20" } } ) ) #结果： #D:\code\review\OwnTest\.venv\Scripts\python.exe D:\code\review\OwnTest\test3.py #你好！我是DeepSeek，由深度求索公司创造的AI助手。我是一个纯文本模型 #进程已结束，退出代码为 0本地部署
前置条件需要部署本地模型，同时安装ollama包。
pip install -Ulangchain_ollama调用工具
LLM 本身是封闭知识系统，能力受限于：
- 训练数据存在滞后性
- 仅能进行文本生成，无法执行计算、查询实时信息、操作数据库或调用外部 API
工具的具体作用
- 扩展能力边界：借助工具完成自身无法实现的任务，如数学计算、网络搜索、数据库查询等。
- 保证信息实时性：通过搜索 / 数据库查询工具获取训练数据外的最新信息，避免过时或错误回答。
- 处理复杂任务：将复杂请求拆解为多步骤，依次调用不同工具协同完成（如 “获取数据→数据分析→生成图表”），这一协调能力在 Agent 智能体上体现更明显。
- 连接现有系统：将企业内部系统、API、数据库封装为工具，使 LLM 成为自然语言驱动的统一接口，提升自动化与集成能力。
定义工具-Tool
工具=@tool+python函数
version1
from langchain_core.tools import tool @tool def add(a:int,b:int)->int: """两数相加 Args: a:第一个整数 b:第二个整数 """ return a+b print(add.invoke({'a': 5, 'b': 6})) #res: #D:\code\review\OwnTest\.venv\Scripts\python.exe D:\code\review\OwnTest\test4.py #11 # #进程已结束，退出代码为 0从中我们发现工具定义：函数名，字符串文档和类型提示缺一不可，这些实际上都是传递给工具schema。
schema：
如下为一段简单的json代码，而JSON Schema是用来描述json的结构的,而工具schema则是用来描述工具的。
//json 要有字段 值类型 { "name": "test", "age": 20, "isStudent": true, "hobby": ["编程", "阅读", "运动"] } //json schema { "type": "object", "properties": { "surname": {"type": "string"}, "given_name": {"type": "string"}, "birthday": {"type": "string","format": "date"}, "address": {"type": "object","properties": { "district": {"type": "string"}, "city": {"type": "string"}, "province": {"type": "string"}, "country": {"type": "string"} } } } } { "$schema": "http://json-schema.org/draft-07/schema#", "type": "object", "title": "用户信息", "description": "匹配你提供的JSON结构", "pr