系列定位：本系列面向已经熟悉大模型 API 调用、做过智能体开发的工程师，帮助你快速理解 LangChain 1.0 的核心价值，并平滑迁移到这套生态。 本篇目标：建立对 LangChain 的整体认知，搞清楚它解决了什么问题、1.0 版本有哪些重大变化，并写出你的第一个 LangChain 程序。
系列定位：本系列面向已经熟悉大模型 API 调用、做过智能体开发的工程师，帮助你快速理解 LangChain 1.0 的核心价值，并平滑迁移到这套生态。
本篇目标：建立对 LangChain 的整体认知，搞清楚它解决了什么问题、1.0 版本有哪些重大变化，并写出你的第一个 LangChain 程序。
如果你已经做过大模型开发，你的代码大概长这样：
import os import json import requests def call_llm(user_message: str, system_prompt: str = "你是一个有用的助手") -> str: """直接调用 OpenAI 兼容接口""" headers = { "Authorization": f"Bearer {os.getenv('OPENAI_API_KEY')}", "Content-Type": "application/json" } payload = { "model": "gpt-4o", "messages": [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_message} ], "temperature": 0.7 } response = requests.post( "https://api.openai.com/v1/chat/completions", headers=headers, json=payload ) return response.json()["choices"][0]["message"]["content"] # 调用 result = call_llm("用 Python 写一个快速排序") print(result)
这段代码能跑，也没什么问题。但当你的项目复杂度上来之后，你会遇到一系列"工程问题"：
messages
每个项目都从零开始造轮子，这就是 LangChain 要解决的核心痛点。
LangChain 是一个专为大模型应用开发设计的开源框架，它的核心价值是：
把大模型应用开发中高度重复的"胶水代码"，抽象成可组合的标准组件。
换一种说法：LangChain 不是让模型变得更聪明，而是让你写的代码更少、更易维护、更容易复用。
把它和几个常见概念做个类比，方便你快速定位：
\|
它不是魔法，底层依然是那些 HTTP 请求和 JSON 解析，只是帮你封装好了。
理解这六个概念，你就掌握了 LangChain 的骨架。
统一不同厂商的大模型调用接口。无论是 OpenAI、Claude、DeepSeek、Qwen，都用同一套接口调用，切换模型只需改一行初始化代码。
ChatOpenAI / ChatAnthropic / ChatDeepSeek / ... ↓ 统一抽象 BaseChatModel.invoke(messages) → AIMessage
把提示词从硬编码的字符串，变成可复用的模板组件。支持变量注入、消息列表组装、Few-shot 示例管理等。
ChatPromptTemplate + 变量 → 格式化后的消息列表
把多个组件串联起来，形成一个处理管道。LangChain 1.0 引入了 LCEL（LangChain Expression Language），用 | 管道符优雅地组合组件。
|
prompt | llm | output_parser
把任意 Python 函数包装成模型可以调用的工具，对应大模型的 Function Call 能力。
@tool 装饰器 → 带 Schema 描述的可调用工具
管理多轮对话的上下文历史，解决"模型没有记忆"的问题。支持内存存储、Redis、数据库等多种后端。
用户输入 + 历史消息 → 带上下文的完整请求
让模型自主决策"应该调用哪个工具、调用几次、什么时候停止"，实现 ReAct 循环。
用户目标 → [思考 → 调用工具 → 观察结果] × N → 最终回答
如果你看过一些老教程，会发现代码和现在的写法差别很大。这是因为 LangChain 在 1.0 版本做了几项重要的架构调整，搞清楚这些变化能帮你避免很多坑。
最重要的变化。 原来所有东西都在 langchain 这一个包里，1.0 之后按职责拆分成多个独立包：
langchain
langchain-core
pip install langchain
langchain-openai
pip install langchain-openai
langchain-anthropic
pip install langchain-anthropic
langchain-community
pip install langchain-community
langgraph
pip install langgraph
实际影响： 原来的 from langchain.chat_models import ChatOpenAI 现在要改成 from langchain_openai import ChatOpenAI。
from langchain.chat_models import ChatOpenAI
from langchain_openai import ChatOpenAI
# ❌ 旧写法（已废弃） from langchain.chat_models import ChatOpenAI from langchain.schema import HumanMessage # ✅ 新写法（1.0） from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage
这是 LangChain 1.0 在架构上最核心的创新。原来用 LLMChain、SequentialChain 等类来组合组件，现在用 | 管道符直接串联，代码更直观：
LLMChain
SequentialChain
# ❌ 旧写法 from langchain.chains import LLMChain chain = LLMChain(llm=llm, prompt=prompt) result = chain.run(input="你好") # ✅ 新写法（LCEL） chain = prompt | llm | StrOutputParser() result = chain.invoke({"input": "你好"})
LCEL 背后的每个组件都实现了统一的 Runnable 接口，支持 invoke（同步）、ainvoke（异步）、stream（流式）三种调用方式，而且这些特性可以自动在整条链上传递。
Runnable
invoke
ainvoke
stream
以下是最常见的废弃写法，遇到老代码时需要注意迁移：
prompt \| llm \| parser
initialize_agent()
create_tool_calling_agent()
AgentExecutor
ConversationBufferMemory
RunnableWithMessageHistory
chain.run()
chain.invoke()
langchain.chat_models.*
langchain_openai.*
langchain_anthropic.*
根据你要使用的模型，按需安装：
# 核心包（必装） pip install langchain langchain-core # 按需选择模型包 pip install langchain-openai # OpenAI / 兼容 OpenAI 接口的模型（DeepSeek、Qwen 等） pip install langchain-anthropic # Anthropic Claude # 如果需要社区集成（VectorStore、Loader 等） pip install langchain-community
验证安装：
python -c "import langchain; print(langchain.__version__)" # 应输出 0.3.x 或更高版本
推荐用 .env 文件管理密钥，配合 python-dotenv：
.env
python-dotenv
pip install python-dotenv
在项目根目录创建 .env 文件（记得加入 .gitignore）：
.gitignore
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx ANTHROPIC_API_KEY=sk-ant-xxxxxxxx
在代码入口处加载：
from dotenv import load_dotenv load_dotenv() # 自动读取 .env 文件中的环境变量
现在用 LangChain 来重写本文开头那段原生调用代码，感受一下差别。
from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage load_dotenv() # 初始化模型 llm = ChatOpenAI(model="gpt-4o", temperature=0.7) # 构建消息 messages = [ SystemMessage(content="你是一个有用的助手"), HumanMessage(content="用 Python 写一个快速排序"), ] # 调用（invoke 返回 AIMessage 对象） response = llm.invoke(messages) print(response.content)
输出类型是 AIMessage，不需要手动解析 choices[0]["message"]["content"] 了。
AIMessage
choices[0]["message"]["content"]
对于支持 OpenAI 兼容接口的国产模型，直接用 langchain_openai 包，改两个参数即可：
langchain_openai
from langchain_openai import ChatOpenAI # DeepSeek llm = ChatOpenAI( model="deepseek-chat", openai_api_key="your-deepseek-key", # 或从环境变量读取 openai_api_base="https://api.deepseek.com", ) # 通义千问 Qwen llm = ChatOpenAI( model="qwen-plus", openai_api_key="your-qwen-key", openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1", ) # 调用方式完全相同 response = llm.invoke("你好，介绍一下你自己") print(response.content)
这就是统一接口的价值所在：切换模型不需要改任何业务逻辑。
from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser llm = ChatOpenAI(model="gpt-4o") # 定义带变量的提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一位擅长 {language} 语言的编程专家，请给出简洁、专业的代码示例。"), ("human", "{task}"), ]) # 用 LCEL 管道符串联组件 chain = prompt | llm | StrOutputParser() # 调用链 result = chain.invoke({ "language": "Python", "task": "实现一个 LRU 缓存" }) print(result)
注意 StrOutputParser() 的作用：它把 AIMessage 对象自动转成纯字符串，省去了手动 .content 的步骤。
StrOutputParser()
.content
只需把 invoke 换成 stream，其他代码不变：
# 流式输出 for chunk in chain.stream({"language": "Python", "task": "实现一个二叉搜索树"}): print(chunk, end="", flush=True)
对比原生实现，你需要自己处理 SSE 的 data: 前缀解析、[DONE] 结束标志、异常中断处理等。LangChain 把这些全部封装了。
data:
[DONE]
import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser load_dotenv() def create_qa_chain(model_provider: str = "openai"): """根据供应商创建问答链，展示统一接口的价值""" if model_provider == "openai": llm = ChatOpenAI(model="gpt-4o") elif model_provider == "deepseek": llm = ChatOpenAI( model="deepseek-chat", openai_api_key=os.getenv("DEEPSEEK_API_KEY"), openai_api_base="https://api.deepseek.com", ) else: raise ValueError(f"不支持的模型供应商: {model_provider}") prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个专业的技术助手，回答请简洁准确。"), ("human", "{question}"), ]) # 链的结构完全相同，只有 llm 不同 return prompt | llm | StrOutputParser() # 使用不同模型，链的调用方式完全一致 chain = create_qa_chain("deepseek") answer = chain.invoke({"question": "什么是向量数据库？"}) print(answer)
回顾一下本篇涵盖的内容：
你现在应该能做到： - 用 langchain_openai 调通任意 OpenAI 兼容接口的模型 - 用 ChatPromptTemplate 定义带变量的提示词模板 - 用 LCEL 的 | 管道符串联 prompt | llm | parser - 用 stream() 实现流式输出
ChatPromptTemplate
prompt | llm | parser
stream()
《统一模型接口——ChatModel 与 LLM 的使用》
将深入介绍模型接口的各种用法，包括： - invoke / stream / batch / ainvoke 四种调用方式的区别和使用场景 - 如何用 with_structured_output() 让模型直接返回 Pydantic 对象 - 模型参数配置：temperature、max_tokens、timeout 等 - 如何在一套代码里对比多个模型的输出效果
batch
with_structured_output()
temperature
max_tokens
timeout
代码仓库：本系列所有可运行代码示例统一维护在 GitHub，每篇文章对应一个独立目录，可直接克隆运行。 系列导航：[第一篇（当前）] → 第二篇 → 第三篇 → ...
代码仓库：本系列所有可运行代码示例统一维护在 GitHub，每篇文章对应一个独立目录，可直接克隆运行。
系列导航：[第一篇（当前）] → 第二篇 → 第三篇 → ...
还没有评论，来抢沙发吧！
博客管理员
40 篇文章
admin
还没有评论，来抢沙发吧！