一.什么是LangChain?

简单说，LangChain 不是一个能直接聊天的 AI（比如 ChatGPT），而是帮 AI “变能干” 的 “工具集合 + 流程管家”—— 就像给普通厨师配齐 “切菜机、烤箱、食材库”，再帮他规划 “先备菜、再烹饪、最后摆盘” 的流程，让厨师能做出更复杂的菜，而不是只能炒个蛋。

举个更贴近生活的例子：你手机里的导航 APP，本身不会 “自己开车”，但它能连你的位置、连实时路况、连加油站信息，还能规划 “避开拥堵→到目的地→找停车场” 的完整路线 ——LangChain 就类似导航 APP 的 “连接 + 规划能力”，只不过服务的是 AI，不是司机。

二.为什么需要Langchin？

单纯的大语言模型（比如 GPT、LLaMA 这些）本身，其实 “能力很受限”—— 就像一个绝顶聪明但 “没带手机、没带笔记本、不会用工具” 的人，空有脑子却干不了太多实际活儿。

而 LangChain 的存在，本质上是为了弥补这些 “受限”，让 AI 从 “能聊天” 变成 “能解决实际问题”。具体来说，有三个核心原因：

1. 大语言模型本身有 “天生短板”，需要被 “补全”

大语言模型（LLMs）虽然能生成流畅的文字，但有几个绕不开的硬伤：

• “记性差”

  ：比如你和 AI 聊了 10 分钟，前面说过的关键信息（比如 “我对花生过敏”）可能被后面的对话冲掉，导致它后面推荐含花生的食物。

• “知识老”

  ：LLMs 的训练数据有截止日期（比如 GPT-4 截止到 2023 年 10 月），问它 “2024 年的诺贝尔奖得主”“今天的股市行情”，它只能说 “不知道”。

• “不会动手”

  ：它不能直接打开你的 Excel 算数据、不能查你公司的数据库、不能调用 API 订机票 —— 这些 “需要和外部世界交互” 的事，纯 LLM 做不到。

• “怕复杂”

  ：如果让它做 “先查天气、再根据天气推荐景点、再查景点门票价格、最后生成行程” 这种多步骤任务，它很容易乱序或遗漏步骤。

而 LangChain 的核心作用，就是给 LLMs “装插件”“补短板”：比如用 “记忆模块” 帮它记事儿，用 “工具调用模块” 帮它连网 / 查数据库，用 “流程模块” 帮它规划复杂任务的步骤。

2. 开发 AI 应用时，“重复造轮子” 太麻烦

假设你是个开发者，想做一个 “AI 合同分析工具”：用户上传 PDF 合同，AI 能自动提取关键条款、标出风险点。
如果没有 LangChain，你需要自己写一堆代码：

• 再写个 “存储模块”，把拆好的内容存起来，方便 AI 随时调取；

• 还要写个 “逻辑控制器”，让 AI 先读条款、再对比法律库、最后生成风险报告；

• 如果用户追问 “这条款和上次那个合同有啥区别”，你还得写个 “对话记忆” 模块，让 AI 记住之前的合同内容。

  这些工作，每个开发者做类似工具时都要重复一遍，效率极低。

而 LangChain 已经把这些 “通用功能” 做成了现成的 “积木”：比如有现成的 PDF 拆分工具、现成的记忆模块、现成的流程控制器。开发者只需要像拼乐高一样把这些积木组合起来，就能快速做出复杂的 AI 应用，不用从零写代码。

3. 企业和个人需要 “定制化 AI”，而不只是 “通用聊天”

普通人可能觉得 “ChatGPT 够用了”，但企业和专业场景需要更 “定制化” 的 AI：

• 医生需要 “能查医院内部病历系统的 AI”；

• 运营需要 “能分析自家产品用户评论、自动生成周报的 AI”。

  这些场景的核心是 “让 AI 结合特定数据 / 工具干活”，而不是聊通用话题。LangChain 的价值就在于：它提供了一套 “连接方案”，让 LLMs 能轻松对接企业的内部数据（比如数据库、文档）、专业工具（比如 Excel、CRM 系统），从而变成 “懂你业务的专属 AI”，而不是一个 “啥都知道但啥都不精” 的通用聊天机器人。

  

三.Models I/O模块

1.Langchain接入大模型的方法

首先需要安装OpenAI的集成依赖包langchain-openai，执行命令

pip install langchain-openai

Langchain目前抽象出来的详细类型有：

常用的就是AIMessage、HumanMessage和SystemMessage，因此我们需要导入如下模块：

可以把大模型接收到的一条完整的消息理解为系统消息（SystemMessage）+用户消息（HumanMessage）。

现在定义一个消息列表：

现在需要调用大模型执行推理，Langchain提供了调用大模型的统一的接口：

这里的invoke(messages)，用作处理单条消息。

除了invoke的调用方式，还有stream流式调用，也就是返回的内容一个字一个字出现：

如果需要多条消息同时执行，可以使用batch批量调用：

2.Langchain接入指定类型大模型

针对不同的模型，LangChain也提供个对应的接入方法，其相关说明文档地址（只可以接入文档中有的模型）：https://python.langchain.com/docs/integrations/chat/

这里可以百川大模型为例：

可以看到，使用ChatBaichuan指定的大模型，不需要再写base_url。

四.提示词模板Prompt

提示词模板通俗的理解就是，Langchain提供了一套模板，当用户输入对应的提示词后，可以自动生成一套完整的提示词。

例如，“你是一个专业的翻译助手，擅长将{input_language}文本准确翻译成{output_language}”，这是一个模板，给input_language赋值为“中文”，给“output_language”赋值为英文，自动生成的提示词为“你是一个专业的翻译助手，擅长将中文文本准确翻译成英文”，更加灵活。

Langchain提供了创建和使用提示词模板的各种工具。

1.PromptTemplate

构造提示词的过程本质就是实例化这个类，需要传递两个重要的参数：template和input_variables。

• template: 这是一个字符串，表示你想要生成的提示词模板。例如，如果你想要一个用于生成故事的提示词，你的模板可能是 "Once upon a time in {location}, there was a {character}..."。

• input_variables: 这是一个字典，包含了所有你希望在提示词中出现的变量。这些变量会在 template 字符串中被替换。例如，对于上面的模板，你可能需要提供一个包含 location 和 character 键的字典。

使用步骤：

（1）定义模板和输入变量

（2）实例化PromptTemplate类

（3）生成完整的提示词

（4）结合大模型使用

2.ChatPromptTemplate

构造的提示词是一个消息列表，而不是一个字符串。并且支持输出Message对象，使得在处理复杂对话时更加灵活。

使用步骤：

（1）构建模板

（2）通过调用ChatPromptTemplate的类方法生成最终的提示词

（3）基于invoke函数动态更换填充内容

（4）加入模型中使用

3.MessagesPlaceholder

MessagesPlaceholder 是一个占位符，用于在聊天提示模板中预留位置，以便后续填充具体的对话历史。它的作用类似于一个“变量”，但专门用于存储消息列表。

在 LangChain 中，MessagesPlaceholder和ChatPromptTemplate都是构建聊天提示（Chat Prompt）的核心组件，但它们的定位和作用有本质区别，核心差异体现在“是否固定消息结构”和“是否支持动态插入消息”上。

两者本质区别：

ChatPromptTemplate定义模板的固定框架，例如 “先有一条系统消息，再有一条用户消息”，其中的内容可以用变量替换，但消息的 “角色”（如system/human）和 “数量” 是固定的。

这就像一张提前设计好的 “表格”，表格里的 “栏目”（消息角色和顺序）是固定的，但每个栏目里的内容可以灵活填写。

MessagePlaceholder是一个“动态消息占位符”，用于在ChatPromptTemplate的固定框架中预留位置，以便后续动态插入任意数量、任意角色的消息列表 (通常是历史对话记录）。
它的核心是 “兼容动态内容”，解决固定模板无法灵活加入动态消息（如多轮对话历史）的问题。

这就像在 “固定表格” 里留了一个 “附加页位置”，这个位置可以根据需要插入任意数量的 “历史记录”（比如之前的对话、补充材料等），这些内容的数量和顺序是不固定的。

这里的history就是一个占位符，用于存放历史的对话。

MessagesPlaceholder在聊天机器人、对话总结、多轮任务处理中应用非常广泛。