当前位置：首页 > news >正文

2026年最硬核的LangChain从入门到精通：全网最细核心组件全景剖析

news 2026/6/8 7:34:16

大家好，我是你们的技术伙伴。👋

站在2026年的时间节点回望，大语言模型（LLM）已经不再是新鲜事物，它渗透在我们生活的方方面面。但作为一名开发者，如果只满足于调用现成的模型，而不懂其内部的运行逻辑，那我们和“调参侠”又有什么区别？

今天，我将结合Python代码实战与深度理论剖析，带你从零构建一套完整的LangChain知识体系。我们将穿越Transformer的迷雾，直击LangChain的核心组件，让你在面对任何LLM面试题或技术难题时，都能从容不迫。

核心内容概览：

LangChain核心组件全景：Models、Prompts、Chains、Memory、Indexes、Agents。
LCEL链式语法：掌握|操作符，构建高效的处理流水线。
智能体（Agent）实战：让大模型具备“思考”与“行动”的能力。

🧠 第一部分：LangChain核心组件全景

LangChain是围绕LLMs建立的一个框架，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，简化LLMs应用的开发难度。

1. Models（模型）：AI的“大脑”

Models组件提供了与各种模型的集成接口。目前主要支持三种类型：

LLMs：接收文本输入，返回文本。
Chat Models：基于LLMs，接收聊天消息（AIMessage/HumanMessage/SystemMessage）列表作为输入。
Embeddings Models：接收文本，返回浮点数列表（向量化）。

代码实战：调用通义千问Qwen-Max

from langchain_community.llms.tongyi import Tongyi from dotenv import load_dotenv import os # 1. 加载环境变量 load_dotenv() # 2. 实例化模型 llm = Tongyi(model='qwen-max') # 3. 模型推理 res = llm.invoke("帮我讲个笑话吧") print(res)

2. Prompts（提示词）：与AI沟通的“咒语”

Prompt是引导模型生成特定结果的关键。LangChain提供了PromptTemplate来构建动态提示词。

代码实战：构建通用提示词模板

from langchain_core.prompts import PromptTemplate # 定义模板 template = "我的邻居姓{lastname}，他生了个儿子，给他儿子起个名字" # 构建提示词模板 prompt = PromptTemplate( input_variables=["lastname"], template=template, ) # 生成提示词 prompt_text = prompt.format(lastname="王") print(prompt_text)

3. Chains（链）：串联组件的“流水线”

Chain是将LLM与其他组件结合起来完成应用程序的过程。

代码实战：LCEL（LangChain Expression Language）链式语法
LCEL使用|符号将组件连接起来，是目前最推荐的写法。

# 安装：pip install langchain from langchain_core.prompts import PromptTemplate from langchain_community.llms.tongyi import Tongyi # 初始化模型 llm = Tongyi(model='qwen-max') # 定义模板 prompt = PromptTemplate.from_template( "请为姓氏 {lastname} 的宝宝起一个名字，要求有诗意。" ) # 构建Chain chain = prompt | llm # 执行链 result = chain.invoke({"lastname": "李"}) print(result.content)

4. Memory（记忆）：让AI“记得住”你

大模型本身不具备记忆能力，Memory组件用于保存和模型交互时的上下文状态。

代码实战：ConversationChain实现连续对话

from langchain.chains import ConversationChain from langchain_community.chat_models.tongyi import ChatTongyi # 实例化聊天模型 chat = ChatTongyi() # 创建会话链 conversation = ConversationSection(chat) # 连续对话 print(conversation.predict(input="小明有1只猫")) print(conversation.predict(input="小刚有2只狗")) print(conversation.predict(input="小明和小刚一共有几只宠物?"))

5. Indexes（索引）：RAG的“地基”

Indexes组件负责文档处理，包括加载、分割、向量化存储和检索。

代码实战：文档加载与向量存储

from langchain_community.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter from langchain_chroma import Chroma from langchain_community.embeddings import DashScopeEmbeddings # 1. 加载文档 loader = TextLoader('./data/pku.txt', encoding='utf8') docs = loader.load() # 2. 文档分割 text_splitter = CharacterTextSplitter(chunk_size=180, chunk_overlap=0) split_texts = text_splitter.split_documents(docs) # 3. 加载嵌入模型 embeddings = DashScopeEmbeddings() # 4. 构建向量库并持久化 vectordb = Chroma.from_documents( documents=split_texts, embedding=embeddings, persist_directory='./chroma_data' )

6. Agents（智能体）：会“思考”的AI

Agent是LangChain中最强大的组件，它能让模型根据输入决定调用哪些工具（Tools）。

代码实战：Agent调用维基百科与计算器

from langchain.agents import initialize_agent, AgentType from langchain_community.agent_toolkits.load_tools import load_tools from langchain_community.llms.tongyi import Tongyi # 初始化模型 llm = Tongyi() # 加载工具 (维基百科、数学计算) tools = load_tools(["wikipedia", "llm-math"], llm=llm) # 初始化Agent agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True # 显示思考过程 ) # 执行任务 agent.invoke("故宫的历史简介是什么？") agent.invoke("计算300的25%是多少？")

🏗️ 第二部分：LCEL链式语法详解

LCEL（LangChain Expression Language）是LangChain的核心语法糖，它让代码变得极其简洁且可读。

核心逻辑：就像Unix的管道符|一样，把前一个组件的输出作为后一个组件的输入。

实战案例：构建一个“起名专家”链

from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_community.chat_models.tongyi import ChatTongyi # 1. 定义提示词模板 prompt = ChatPromptTemplate.from_template( "你是一位资深国学专家，请根据姓氏 {lastname}，参考《诗经》，起一个有文化底蕴的名字。" ) # 2. 初始化模型 model = ChatTongyi(model='qwen-max') # 3. 初始化解析器 (将模型输出解析为字符串) parser = StrOutputParser() # 4. 组装LCEL链 # 执行流程：Prompt -> Model -> Parser chain = prompt | model | parser # 5. 调用 result = chain.invoke({"lastname": "苏"}) print(f"推荐名字: {result}")

🤖 第三部分：智能体（Agent）的“思考”之旅

Agent = 大模型 + 任务规划 + 工具使用 + 记忆。它最大的特点是能根据问题动态决定是否需要调用工具。

1. Agent的工作流程

Input：接收用户输入。
Thought：大模型思考是否需要工具，如果需要，选择哪个工具，传入什么参数。
Action：执行工具。
Observation：观察工具返回的结果。
Final Answer：生成最终答案。

2. 代码实战：自定义工具

我们可以让Agent具备任何能力，比如查询当前时间。

from langchain.agents import tool from datetime import date # 定义自定义工具 @tool def get_current_date(text: str) -> str: """返回今天的日期。""" return str(date.today()) # 加载原有工具并加入自定义工具 tools = load_tools(["llm-math"], llm=llm) agent = initialize_agent(tools + [get_current_date], llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) # 提问 agent.invoke("今天是星期几？")