标题：零基础入门LangChain：5分钟搭建你的第一个LLM聊天应用

——终端报错、重装Ollama六次、喝完半杯凉咖啡后，我写下了这份可100%复现的实操指南

---

我为什么在凌晨1点还在改pip install命令？

上周三晚上，我想快速验证一个想法：用本地模型读会议纪要PDF，自动提取「谁在什么时间前完成什么事」。
直接调 Ollama REST API？写了30行代码后卡住了——

• 第二轮提问时，LLM完全不记得上一句问了啥；
• 换个模型（从phi3:mini切到qwen2:1.5b），得手动改6处URL和参数；
• system prompt硬编码在字符串里，一加换行就报JSON解析错误……

直到我把官方文档里这行代码真正跑通：

llm.invoke([HumanMessage(content="你好")])

我才意识到：LangChain 不是“另一个大框架”，而是把 LLM 当成函数用的最小执行单元封装。
它不训练模型，也不托管服务，只做一件事：让你少写重复的胶水代码。

而我那晚反复失败，不是因为不会写Python，是因为没看清三件事：

1. langchain-community 不是可选插件，是 Ollama 类的强制依赖；
2. ollama serve 必须在后台持续运行，不是 ollama run 一次就够了；
3. phi3:mini 的冒号 : 是模型标识符的一部分，写成 phi3-mini 就连不上。

这篇就是为你省下那3分钟发呆+两杯凉咖啡写的。所有命令均在 macOS Sonoma + Python 3.11.8 + Ollama 0.3.12 终端实测通过。

---

LangChain 真正帮你省掉的，是这三段必写代码

别被“Chain”吓住。它解决的全是调原生API时你不得不手写、且每次都要修bug的逻辑。我们用真实问题对照看：

问题1：每次请求都要拼接 messages 列表，稍错格式就 422
→ 原生写法（易错）：

{"messages": [{"role": "user", "content": "你好"}], "temperature": 0.3}

→ LangChain 写法（类型安全）：

llm.invoke([HumanMessage(content="你好")])

✅ 自动转成 LLM 可接收格式，字段名、嵌套层级、角色枚举全由 langchain_core.messages 校验。

问题2：响应返回的是带 metadata 的 dict，你却只想取 .content
→ 原生解析（易漏）：

response.json()["message"]["content"]  # 但有些模型返回的是 ["response"] 字段

→ LangChain 解析（开箱即用）：

response = llm.invoke([...])
print(response)  # 直接输出字符串："你好！我是phi3..."

✅ 默认提取 content 字段，避免手动遍历响应结构。

问题3：对话历史要自己存 Redis/文件，还要处理 session ID 和过期
→ 原生管理（重复劳动）：

# 存历史 → 取历史 → 合并新消息 → 传给LLM → 再存回去

→ LangChain 管理（一行初始化）：

from langchain_core.chat_history import InMemoryChatMessageHistory
history = InMemoryChatMessageHistory()
history.add_message(HumanMessage(content="你好"))
history.add_message(AIMessage(content="你好！"))
llm.invoke(history.messages)  # 直接传入对象列表

✅ InMemoryChatMessageHistory 是内存级实现，适合本地验证；生产环境换 RedisChatMessageHistory 仅需改初始化方式，业务逻辑零改动。

它不是魔法，是把 LLM 当作标准函数调用的协议层。

---

实操：5分钟跑通（严格按顺序执行，跳步必报错）

✅ 前置确认：已安装 Ollama，终端执行 ollama list 能看到空列表或已有模型

步骤1：建干净虚拟环境（防包冲突）

python -m venv langchain-env
source langchain-env/bin/activate  # macOS/Linux
# Windows 用户：langchain-env\Scripts\activate.bat

步骤2：安装两个必须包（少一个都 import 失败）

pip install --upgrade pip
pip install langchain langchain-community
pip install ollama

⚠️ 注意：langchain-core 是底层依赖，会被自动安装；但 langchain-community 不会自动带进来，必须显式安装。这是 90% 新手首次 import langchain_community.llms 报错的根源。

步骤3：拉取并验证模型（选 phi3:mini，2GB，国内源 30 秒内）

ollama pull phi3:mini
# 手动测试是否能响应（关键！）
ollama run phi3:mini
# 输入 "hi" → 应立刻返回响应 → Ctrl+C 退出

✅ 如果卡住或报 pull failed，请先执行 ollama serve（新开终端运行，保持后台常驻）。

步骤4：写 chat_simple.py（核心逻辑仅 10 行）

在 chat_simple.py 中，我们用三行代码完成对话历史管理：

• 初始化 InMemoryChatMessageHistory；
• 用 .add_message() 记录人类和 AI 消息；
• 将 history.messages（对象列表）传给 llm.invoke()。

from langchain_community.llms import Ollama
from langchain_core.messages import HumanMessage, AIMessage
from langchain_core.chat_history import InMemoryChatMessageHistory

# 1. 初始化本地LLM（model名必须与 ollama list 输出完全一致）
llm = Ollama(model="phi3:mini", temperature=0.3)

# 2. 创建内存对话历史
history = InMemoryChatMessageHistory()

# 3. 添加初始对话（模拟已有上下文）
history.add_message(HumanMessage(content="你好"))
history.add_message(AIMessage(content="你好！我是phi3，很高兴认识你。"))

# 4. 发起新提问并获取响应（重点：传 history.messages，不是字符串！）
history.add_message(HumanMessage(content="你叫什么名字？"))
response = llm.invoke(history.messages)
print("LLM回复：", response)

运行：

python chat_simple.py

✅ 预期输出（首次运行约 3–5 秒，后续秒回）：

LLM回复： 我的名字是Phi-3，是微软推出的轻量级语言模型。

⚠️ 关键避坑提示：

• 若报 ConnectionError: Failed to connect to http://localhost:11434 → 执行 ollama serve（另开终端，保持运行）；
• 若报 ValidationError: Input should be a valid dictionary or object → 缺 langchain-community，补 pip install langchain-community；
• 若报 ImportError: cannot import name 'Ollama' → 检查 pip list | grep langchain，确认 langchain-community 已安装；
• 若输出为空或超时 → ollama list 确认模型名是 phi3:mini（不是 phi3-mini 或 phi3）。

---

我踩过的5个坑，按发生顺序整理成解决方案

报错现象	根本原因	修复命令	验证方式
ImportError: cannot import name 'Ollama'	langchain-community 未安装	pip install langchain-community	python -c "from langchain_community.llms import Ollama" 不报错
ConnectionError: Failed to connect to http://localhost:11434	ollama serve 未运行	新开终端执行 ollama serve	浏览器访问 http://localhost:11434/health 返回 {"status":"ok"}
ValidationError: Input should be...	llm.invoke() 传了字符串而非 HumanMessage 列表	改为 llm.invoke([HumanMessage(content="你好")])	运行成功并打印字符串响应
ollama run phi3:mini 卡住无响应	模型未完整拉取或磁盘空间不足	ollama rm phi3:mini && ollama pull phi3:mini	ollama list 显示 phi3:mini 且 SIZE > 0B
ModuleNotFoundError: No module named 'pydantic.v1'	Python < 3.9 或 pydantic 版本冲突	pip install "pydantic<2" 或升级 Python ≥ 3.9	python -c "import pydantic; print(pydantic.VERSION)" 输出 1.10.14 或 2.x（LangChain v0.3+ 兼容）

Windows 用户补充：若 ollama run 提示权限错误，请以管理员身份运行终端；项目路径避免含中文或空格（推荐 C:\langchain-demo）。

---

这5分钟教会我的事：从 invoke() 开始，才是真入门

LangChain 的学习起点不是 Chain，不是 Agent，而是这一行：

llm.invoke([HumanMessage(content="你好")])

它代表了整个生态的契约：

• 输入必须是 BaseMessage 对象列表；
• 输出默认是 str；
• 错误几乎全是缺失依赖或配置偏差，极少是语法错误。

所以，当你再看到报错：

• ValidationError → 先检查 pip list 是否有 langchain-community；
• ConnectionError → 先执行 ollama serve 并确认端口；
• ImportError → 先核对模块名大小写和冒号（phi3:mini ≠ phi3-mini）。

下一篇文章，我们将拆解 Ollama 类的内部逻辑，并手写一个 PromptTemplate，强制 LLM 回答带 ✅/❌ emoji —— 不靠提示词玄学，靠结构化约束。

如果你也在 pip install 后盯着红色报错发过呆，欢迎在评论区留言你的「第一坑」。
（我已整理好前20条高频报错的速查表，留言“速查表”即可获取 PDF 版）

---

系列预告 · 第2篇
《LangChain核心组件详解：Chain、PromptTemplate与LLM的协同实践》
→ 直接对比实验：同一问题「北京今天天气如何？」
• 不用 PromptTemplate：LLM 自由发挥，输出含温度、湿度、穿衣建议、甚至编造PM2.5数值；
• 用了 PromptTemplate：输出严格为 JSON 格式 {"temperature": "22°C", "condition": "晴"}。
截图实测，拒绝概念空谈。