🚀 LangChain 快速入门：10分钟构建你的第一个 LLM 应用

适合人群：AI开发者 / Python工程师 / 想做 RAG、Agent、知识库系统的人
阅读时间：10分钟
技术栈：Python + OpenAI + LangChain

---

一、什么是 LangChain？

LangChain 是一个构建大模型应用的框架。

如果你直接用 OpenAI API，你只能做：

client.chat.completions.create(...)

但当你要做：

• 多轮对话
• 知识库问答（RAG）
• Agent 自动调用工具
• 多模型编排
• Prompt 模板管理
• 记忆管理

👉 代码会迅速变得混乱。

LangChain 的作用就是：

🧠 把 LLM 应用拆成模块化组件，让你像搭积木一样构建 AI 系统。

---

二、LangChain 核心架构

LangChain 的核心可以理解为 6 个组件：

模块	作用
Models	大模型
Prompts	Prompt 模板
Chains	调用链
Memory	记忆
Tools	工具
Agents	智能体

我们一个一个来看。

---

三、安装 LangChain

pip install langchain
pip install langchain-openai
pip install openai

如果你做 RAG：

pip install faiss-cpu
pip install tiktoken

---

四、最简单的 LLM 调用

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0
)

response = llm.invoke("用一句话解释什么是量子计算")

print(response.content)

✔ 就这么简单。

---

五、Prompt 模板

不要手写字符串拼接，用 PromptTemplate。

from langchain.prompts import PromptTemplate

template = """
你是一个专业老师。

问题：{question}

请用简单易懂的方式回答。
"""

prompt = PromptTemplate.from_template(template)

formatted_prompt = prompt.format(question="什么是黑洞？")

print(formatted_prompt)

---

六、LCEL（推荐方式）

LangChain 现在推荐用 LCEL（LangChain Expression Language）

可以像管道一样写：

from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("解释一下：{topic}")

model = ChatOpenAI(model="gpt-4o-mini")

chain = prompt | model

result = chain.invoke({"topic": "神经网络"})

print(result.content)

优点：

• 可组合
• 可并行
• 可扩展
• 代码优雅

---

七、构建一个 RAG（知识库问答）

这是最常见的应用场景。

1️⃣ 加载文档

from langchain.document_loaders import TextLoader

loader = TextLoader("data.txt")
docs = loader.load()

---

2️⃣ 文档切分

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)

splits = splitter.split_documents(docs)

---

3️⃣ 向量化

from langchain_openai import OpenAIEmbeddings
from langchain.vectorstores import FAISS

embeddings = OpenAIEmbeddings()

vectorstore = FAISS.from_documents(splits, embeddings)

---

4️⃣ 构建 RAG Chain

retriever = vectorstore.as_retriever()

from langchain.chains import RetrievalQA
from langchain_openai import ChatOpenAI

qa = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    retriever=retriever
)

qa.invoke("这篇文章讲了什么？")

✔ 一个最基础的知识库就完成了。

---

八、Memory（对话记忆）

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=ChatOpenAI(),
    memory=memory
)

conversation.invoke("你好")
conversation.invoke("我刚才说了什么？")

模型就能记住上下文了。

---

九、Agent（自动调用工具）

这是 LangChain 最强的功能。

例如：

• 调用搜索引擎
• 调用计算器
• 调用数据库
• 调用 API

from langchain.agents import initialize_agent, Tool
from langchain.tools import DuckDuckGoSearchRun

search = DuckDuckGoSearchRun()

tools = [
    Tool(
        name="Search",
        func=search.run,
        description="搜索互联网信息"
    )
]

agent = initialize_agent(
    tools,
    ChatOpenAI(),
    agent="zero-shot-react-description",
    verbose=True
)

agent.invoke("2026世界杯什么时候举行？")

Agent 会：

1. 思考
2. 决定是否调用工具
3. 调用工具
4. 整合结果
5. 输出答案

---

十、LangChain 的真实应用场景

场景	解决方案
企业知识库	RAG
文档问答	Retrieval
自动写报告	Chain
AI客服	Memory
数据库问答	Text2SQL
自动执行任务	Agent
多模型协作	Router Chain

---

十一、常见误区

❌ 误区1：LangChain = 大模型

错。LangChain 只是框架。

---

❌ 误区2：一定要用 LangChain？

不是。

• 简单问答 → 直接 API
• 复杂系统 → 强烈建议用

---

❌ 误区3：性能很慢？

新版本 LCEL 已经非常快，瓶颈一般在：

• 向量搜索
• 大模型推理
• 网络延迟