🚀 LangChain框架概述

核心定位

LangChain是一个开发框架，提供基础抽象和LangChain表达式语言(LCEL)，通过管道符简化了组装链的过程，提升了代码的表达性。它不只是一个框架，而是一个完整的生态系统，包括社区生态和扩展生态。

生态系统

1. 社区生态：包含大量的各种实现和工具，需要根据需求选择相应的实现
2. 扩展生态：包括LangServe、LangSmith、LangGraph等工具和平台，提供更多可做的事情
3. 核心库：提供基础组件和抽象

核心价值

1. 学习材料：提供了大量示例和提示词模板，是一个很好的学习资源
2. 基础抽象：提供了一些开发应用所需的基础抽象，大部分实现由社区生态提供
3. 表达式语言LCEL：通过管道符简化了组装链的过程，提升了代码的表达性
4. 完整生态：从框架到工具链，提供完整的大模型应用开发支持

使用建议

1. 需求评估：根据自己的情况评估使用场景，LangChain不是社区里的唯一选择
2. 持续关注：持续关注和了解LangChain的新发展
3. 生态利用：充分利用社区生态和扩展生态提供的资源
4. 合理选择：根据项目需求和团队情况，评估是否选择使用LangChain

选择考量

• 项目规模：小型项目可能只需要部分组件
• 团队熟悉度：考虑团队对框架的熟悉程度
• 定制需求：评估框架是否满足特定定制需求
• 长期维护：考虑框架的可持续性和社区支持

🧩 LangChain核心抽象详解

核心抽象组件

LangChain的核心抽象包括ChatModel、PromptTemplate和OutputParser，它们是构建大模型应用的核心部分，分别处理模型调用、输入和输出。

ChatModel详解

1. 核心地位：是整个框架的核心，根据输入的内容生成输出
2. 调用方法：

• 同步调用：使用invoke()方法
• 流式处理：使用stream()方法
• 批处理：处理多个输入
• 异步调用：使用ainvoke()等异步方法

3. 社区实现：如OpenAI提供了ChatModel和Embedding模型，统一放到langchain-openai包中
4. 简化代码：通过统一接口，简化了不同模型服务的调用代码

PromptTemplate详解

1. 概念：用于预置提示词，可以不断调整以达到更好的效果
2. 共享性：可以共享给其他开发者使用
3. 使用方法：

• 创建模板：定义提示词结构和占位符
• 组装模型链：与ChatModel和OutputParser组合
• 调用链：通过替换占位符将输入参数处理成发给模型的消息

4. 有效拆分：有效拆分了开发者提示词和用户提示词

OutputParser详解

1. 功能：负责处理输出结果的解析过程
2. 常用解析器：

• StrOutputParser：将输出解析为字符串
• JsonOutputParser：将输出解析为JSON格式

3. 其他解析器：

• JSON、CSV、分隔符、枚举等格式解析器
• 相应的格式指令

4. 包含格式指令：处理输出时包含了格式指令，确保输出符合预期格式

核心抽象的价值

1. 统一接口：提供了标准化的接口，简化了开发流程
2. 职责分离：

• ChatModel：处理模型调用
• PromptTemplate：处理输入
• OutputParser：处理输出

3. 灵活性：可以根据需要组合不同的实现
4. 扩展性：社区可以提供更多的实现和工具

📝 使用示例

# -*- coding: utf-8 -*-"""@Time    : 2026/01/02 09:39@Author  : zuozewei@File    : 2.LangChain的核心抽象.py @Desc    : LangChain的核心抽象"""import osimport dotenvfrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAI# 加载环境变量dotenv.load_dotenv()# ChatModel: 对于大模型的抽象llm = ChatOpenAI(    openai_api_key=os.getenv("OPENAI_API_KEY"),    openai_api_base=os.getenv("OPENAI_API_BASE"),    model_name=os.getenv("AI_MODEL", "deepseek-chat"),)# PromptTemplate: 负责编排提示词prompt = ChatPromptTemplate.from_messages([    ("system", "请将下面的内容翻译成英文："),    ("user", "{text}"),])# OutputParser: 负责解析LLM的生成结果parser = StrOutputParser()# 构造Chain# Chain中组件的声明顺序,就是其实际的执行顺序chain = prompt | llm | parser# 调用Chain,获取执行结果# 采用流式响应# 流式响应返回的是一个Token的Iterator,可以通过for循环遍历stream = chain.stream({"text": "床前明月光,疑似地上霜"})for chunk in stream:     print(chunk, flush=True, end="")print()

运行结果

Before my bed, there is bright moonlight,It seems like frost on the ground.

🎯 功能概述

示例展示了LangChain框架的三大核心抽象组件：ChatModel、PromptTemplate和OutputParser，并演示了如何使用管道操作符|将这些组件串联起来形成一个完整的处理链。

🔧 核心技术点

1. LangChain核心组件
2. 管道操作符串联
3. 流式响应处理
4. 提示词模板
5. 输出解析

📊 代码结构分析

1. 导入依赖库2. 加载环境变量3. 初始化ChatModel4. 创建PromptTemplate5. 定义OutputParser6. 构造处理Chain7. 调用Chain并处理流式响应

🔍 关键代码解析

1. 三大核心组件初始化

# ChatModel: 对于大模型的抽象llm = ChatOpenAI(    openai_api_key=os.getenv("OPENAI_API_KEY"),    openai_api_base=os.getenv("OPENAI_API_BASE"),    model_name=os.getenv("AI_MODEL", "deepseek-chat"),)# PromptTemplate: 负责编排提示词prompt = ChatPromptTemplate.from_messages([    ("system", "请将下面的内容翻译成英文："),    ("user", "{text}"),])# OutputParser: 负责解析LLM的生成结果parser = StrOutputParser()

• ChatModel：抽象了不同的大模型服务，提供统一接口
• PromptTemplate：管理提示词的结构和变量，支持模板化
• OutputParser：将模型输出转换为结构化数据，如字符串、JSON等

2. Chain构造与执行

# 构造Chain# Chain中组件的声明顺序,就是其实际的执行顺序chain = prompt | llm | parser

• 使用管道操作符|串联组件，形成数据处理流程
• 执行顺序：prompt → llm → parser
• Chain的构造方式简洁明了，便于维护和扩展

3. 流式响应处理

# 调用Chain,获取执行结果# 采用流式响应# 流式响应返回的是一个Token的Iterator,可以通过for循环遍历stream = chain.stream({"text": "床前明月光,疑似地上霜"})for chunk in stream:    print(chunk, flush=True, end="")print()

• 使用stream()方法获取流式响应
• 通过迭代器逐个获取生成的Token
• 设置flush=True和end=""实现实时输出效果

📝 扩展使用示例

# -*- coding: utf-8 -*-"""@Time    : 2026/01/02 09:39@Author  : zuozewei@File    : 2.LangChain的核心抽象.py @Desc    : LangChain的核心抽象 - 情感分析示例"""import osimport dotenvfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_openai import ChatOpenAI# 加载环境变量dotenv.load_dotenv()# 定义情感分析提示词prompt = ChatPromptTemplate.from_messages([    ("system", "请分析用户输入的情感倾向，返回'积极'、'消极'或'中性'。"),    ("user", "{text}"),])# 初始化组件llm = ChatOpenAI(    model_name=os.getenv("AI_MODEL", "deepseek-chat"))parser = StrOutputParser()# 构造并执行Chainchain = prompt | llm | parserresult = chain.invoke({"text": "今天天气真好，心情非常愉快！"})print(f"情感分析结果: {result}")

运行结果

情感分析结果: 积极

💡 学习建议

1. 组件组合：尝试组合不同的PromptTemplate、ChatModel和OutputParser，实现多样化功能
2. 参数调优：根据任务需求调整LLM的temperature、max_tokens等参数
3. 错误处理：为Chain添加异常处理机制，提高代码健壮性
4. 扩展组件：学习自定义PromptTemplate和OutputParser，满足特定需求
5. 性能优化：对于高频调用，考虑添加缓存机制

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

作为一名老互联网人，看着AI越来越火，也总想为大家做点啥。干脆把我这几年整理的AI大模型干货全拿出来了。
包括入门指南、学习路径图、精选书籍、视频课，还有我录的一些实战讲解。全部免费，不搞虚的。
学习从来都是自己的事，我能做的就是帮你把路铺平一点。资料都放在下面了，有需要的直接拿，能用到多少就看你自己了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以点击文章最下方的VX名片免费领取【保真100%】