LangChain是一个用于构建大语言模型应用的Python框架，v0.3版本在API设计和功能上相对稳定，但需注意版本兼容性。

整体大纲

1. 环境配置

   • 安装LangChain及依赖
   • 设置API密钥和环境变量
   • 验证环境是否正常工作

2. 模型调用

   • 导入并实例化模型类
   • 调用模型进行文本生成
   • 处理模型输出

3. 提示词模板

   • 定义和创建提示模板
   • 使用模板生成动态提示
   • 模板变量的绑定和格式化

1. 环境配置

技术指南：环境配置是使用LangChain的第一步，涉及安装框架、设置API密钥（如OpenAI的API密钥）和验证环境。

• 步骤1: 安装LangChain
  使用pip安装LangChain v0.3版本。建议在虚拟环境中操作，以避免依赖冲突。

  pip install langchain==0.3.0
  

  同时安装常用依赖，如openai库（用于调用模型）：

  pip install langchain-openai
  

• 步骤2: 设置API密钥（推荐使用.env方式配置密钥）
  将API密钥设置为环境变量。例如，对于OpenAI模型，您需要获取OpenAI API密钥，并在.env文件中配置你的实际 url 和 api_key

  OPENAI_BASE_URL="openai_base_url"
  OPENAI_API_KEY="openai_api_key"

• import os
  import dotenv
  
  dotenv.load_dotenv()
  
  os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
  os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")
  

  如果使用其他模型（如Hugging Face），类似设置其密钥：

  os.environ["HUGGINGFACEHUB_API_TOKEN"] = os.getenv["HUGGINGFACEHUB_API_TOKEN"]
  

• 步骤3: 验证环境
  运行一个简单脚本检查是否安装成功：

  from langchain_openai import OpenAI  # 导入模型类
  llm = OpenAI(model_name="gpt-3.5-turbo")  # 实例化模型
  response = llm("你好，世界！")  # 调用模型
  print(response)  # 应输出生成的文本
  

  如果输出正常文本（如"你好，世界！"的扩展），则环境配置成功。

注意事项：

• 版本兼容性：v0.3版本可能与Python 3.10+有兼容性问题，建议使用Python 3.7-3.9。
• 密钥安全：不要将API密钥硬编码在代码中，使用环境变量或密钥管理工具（如.env文件）。
• 依赖冲突：确保pip install时指定版本号（langchain==0.3.0），以避免自动升级到新版本导致API不兼容。
• 网络问题：如果在中国大陆，可能需要代理访问OpenAI API。

2. 模型调用

技术指南：模型调用涉及导入LangChain的模型类、实例化模型对象，并进行推理。v0.3版本支持多种模型（如OpenAI、Hugging Face）。

• 步骤1: 导入并实例化模型
  根据需求选择模型类。例如，调用OpenAI的GPT模型：

  from langchain_openai import OpenAI
  # 实例化模型，指定模型名称和参数
  llm = OpenAI(
      model_name="text-davinci-003",  # 模型ID
      temperature=0.7,  # 控制生成随机性，0-1范围
      max_tokens=100  # 最大输出token数
  )
  

• 步骤2: 调用模型进行推理
  使用实例化的模型对象生成文本。输入可以是字符串或列表：

  # 单次调用
  response = llm("请解释人工智能的概念。")
  print(response)
  
  # 批量调用（提高效率）
  responses = llm.generate(["问题1", "问题2"])
  for res in responses.generations:
      print(res[0].text)
  

• 步骤3: 处理模型输出
  输出是字符串格式，可直接使用。如果需要结构化处理，可结合其他LangChain组件：

  # 示例：提取关键信息
  output = llm("总结以下文本：人工智能是...")
  if "总结" in output:
      print("总结成功")
  

注意事项：

• 模型选择：langchain-openai中，gpt-3.5-turbo是常用模型，但需注意OpenAI API的调用成本（按token计费）。
• 参数调优：temperature值越高输出越随机，建议从0.5开始测试；max_tokens设置过低可能导致截断。
• 速率限制：API调用有速率限制（如OpenAI的每分钟请求数），使用max_retries参数处理错误：

  llm = OpenAI(max_retries=3)  # 设置重试次数
  

• 错误处理：捕获异常，如网络错误或无效输入：

  try:
      response = llm("输入内容")
  except Exception as e:
      print(f"错误：{e}")
  

3. 提示词模板

技术指南：提示模板用于标准化输入，提高可重用性。v0.3版本通过PromptTemplate类实现。

• 步骤1: 定义和创建模板
  使用PromptTemplate创建模板，支持变量占位符：

  from langchain_core import PromptTemplate
  # 定义模板字符串，变量用花括号包裹
  template = "请用一句话解释{concept}，并给出一个例子。"
  prompt = PromptTemplate(
      input_variables=["concept"],  # 指定变量列表
      template=template
  )
  

• 步骤2: 使用模板生成动态提示
  绑定变量值生成最终提示字符串：

  # 参数中必须要指明：input_variables, template
  prompt_template = PromptTemplate(
      input_variable=["role", "name"],
      template="你是一个{role},你的名字叫{name}"
  )
  
  # 直接用于模型调用
  response = llm(prompt_template)
  print(response)
  

• 步骤3: 模板变量处理
  支持多个变量和默认值：

  template = "{role}：请描述{concept}。"
  prompt_template = PromptTemplate(
      input_variables=["role", "concept"],
      template=template,
      partial_variables={"role": "AI助手"}  # 设置默认值
  )
  prompt = prompt_template.format(concept="神经网络")
  print(prompt)  # 输出："AI助手：请描述神经网络。"
  

注意事项：

• 模板设计：保持模板简洁，避免过长或模糊指令，以提高模型准确性。例如，使用明确动词如“解释”而非“谈谈”。
• 变量安全：确保输入变量不包含恶意代码（如SQL注入），通过验证输入内容。
• 版本差异：v0.3版本中，PromptTemplate的API与新版不同，不支持链式操作（如from_template方法），需手动定义input_variables。
• 性能优化：对于高频使用，预生成模板对象以减少运行时开销。
• 错误排查：如果变量未绑定，会抛出KeyError，使用partial_variables设置默认值或检查输入。

总结注意事项

• 整体框架使用：
  • 版本锁定：始终使用pip install langchain==0.3.0，避免意外升级。
  • 文档参考：v0.3版本文档可能已归档，建议查阅历史版本文档（如GitHub release notes）。
  • 测试驱动：在开发前，编写单元测试验证配置和调用（使用pytest）。
• 安全与合规：
  • 遵守API提供商的使用政策（如OpenAI的内容审查）。
  • 敏感数据（如用户输入）不应直接暴露在提示中。
• 扩展性：
  • v0.3版本支持集成其他工具（如Vector Stores），但需额外安装库。
  • 如需升级，先备份代码，因为新版本v1.0有重大变更。