LangChain 入门到实战

一句话：LangChain 是一套帮你把大模型、提示词、工具、知识库和业务代码串起来的 AI 应用开发框架。

本篇学完你会什么：知道 LangChain 解决什么问题，能写一个最小 AI 助手，理解模型、消息、提示词、工具、Agent、RAG 和工程落地边界。文章里的代码按 LangChain 当前 Python 主线写法整理，同时保留 OpenAI 兼容接口的说明。

1. LangChain 解决什么问题

直接调用大模型 API 可以完成最简单的聊天：

用户问题 -> 大模型 -> 回答

但真实 AI 应用通常不止这一步。

它可能需要：

• 先整理用户输入
• 套提示词模板
• 调模型
• 调工具
• 查知识库
• 记住对话历史
• 输出结构化结果
• 记录日志和成本

LangChain 的价值就是：帮你把这些步骤组织起来。

2. 先用餐厅后厨理解 LangChain

你可以把 AI 应用想成餐厅后厨。

只问模型一句话，像客人直接问厨师。

LangChain 像一套后厨流程：谁先处理，谁查资料，谁调用工具，最后怎么出餐，都能安排清楚。

3. 核心概念地图

先记住 8 个词：

不要一开始就追求复杂 Agent。先把模型、提示词、工具、RAG 这四块吃透。

4. 安装依赖

基础安装：

pip install -U "langchain[openai]"

如果你用 OpenRouter 官方集成，可以另外安装：

pip install -U langchain-openrouter

如果你用 OpenAI 兼容接口，通常还需要配置：

export OPENAI_API_KEY="你的 key"
export OPENAI_BASE_URL="你的兼容接口地址"

不同模型供应商会有不同的集成包。初学阶段先选一个能稳定调用的模型，把流程跑通。后面要接 OpenRouter、Gemini、Claude、国内兼容接口时，再按服务商文档换配置。

5. 第一个模型调用

LangChain 现在更推荐先用 init_chat_model 创建模型客户端：

from langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-4o-mini")

response = model.invoke("用一句话解释 LangChain 是什么")

print(response.content)

大白话：

• init_chat_model：按供应商和模型名创建聊天模型客户端。
• invoke：调用一次。
• response.content：模型回答的正文。

如果你用 OpenRouter 官方集成，可以这样：

from langchain.chat_models import init_chat_model

model = init_chat_model("auto", model_provider="openrouter")

如果你的服务商只是提供 OpenAI 兼容接口，也可以直接用 ChatOpenAI，把 base_url 和 api_key 换成自己的服务商配置：

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="openai/gpt-4o-mini",
    base_url="https://openrouter.ai/api/v1",
    api_key="你的 key",
)

实际参数以你使用的服务商为准。

6. Prompt Template 提示词模板

不要每次手写一整段提示词，可以做模板。

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个耐心的 Python 老师，用大白话解释。"),
    ("user", "请解释：{topic}"),
])

messages = prompt.invoke({"topic": "FastAPI 的 Depends"})

模板的好处：

• 提示词结构稳定
• 变量清楚
• 更容易复用
• 后面可以接模型、工具、RAG

7. LCEL：把步骤串起来

LCEL 可以理解成 LangChain 的流水线写法。

chain = prompt | model

response = chain.invoke({"topic": "Redis 缓存"})

print(response.content)

这个 | 可以读成：

先把变量放进 prompt
再把 prompt 结果交给 model
最后拿到回答

如果你做过后端，可以把它理解成一个处理管道。

8. Tool：让 AI 会调用工具

普通模型只会生成文字。Tool 让它可以调用你提供的函数。

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """查询城市天气。"""
    return f"{city} 今天晴，适合出门。"

工具要写清楚：

• 工具名
• 参数
• 返回值
• 这个工具什么时候用

大白话：Tool 就是你给 AI 的外部能力，比如查数据库、查天气、发请求、调内部 API。

注意：定义 Tool 不等于模型一定会自己调用它。你还要把工具绑定给模型，或者交给 Agent 统一调度。

model_with_tools = model.bind_tools([get_weather])

response = model_with_tools.invoke("广州今天适合出门吗？")

这段代码的意思是：模型回答问题时，可以选择调用 get_weather 这个工具。

9. Agent：会自己决定下一步的助手

Agent 比普通 Chain 更像“会做事的助手”。

它不只是：

输入 -> 输出

而是：

理解任务
  ↓
判断要不要调用工具
  ↓
拿到工具结果
  ↓
继续思考
  ↓
给最终答案

适合 Agent 的场景：

• 任务步骤不固定
• 需要根据中间结果决定下一步
• 需要调用多个工具
• 需要边查边回答

不适合 Agent 的场景：

• 固定流程
• 简单分类
• 单次摘要
• 明确的一步模型调用

这些场景用普通 Chain 更稳。

一个最小 Agent 可以这样写：

from langchain.agents import create_agent

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[get_weather],
    system_prompt="你是一个谨慎的助手。需要天气信息时先调用工具。"
)

result = agent.invoke({
    "messages": [
        {"role": "user", "content": "广州今天适合出门吗？"}
    ]
})

大白话：Agent = 模型 + 工具 + 一套循环。它会判断要不要调用工具，拿到工具结果后再继续生成最终回答。

这里的 openai:gpt-4o-mini 只是示例模型名，实际项目要换成你账号可用、成本可接受的模型。

10. RAG：让 AI 查你的资料再回答

RAG 的完整名字是 Retrieval-Augmented Generation，可以理解成“先查资料，再生成回答”。

流程：

用户问题
  ↓
把问题拿去资料库搜索
  ↓
找到相关片段
  ↓
把片段和问题一起交给模型
  ↓
模型根据资料回答

RAG 适合：

• 企业知识库
• 项目文档问答
• PDF 问答
• 客服知识库
• 代码库说明

RAG 不等于“把文件全部塞给模型”。正确做法是先切分、索引、检索，再把最相关的片段给模型。

11. LangGraph、LangSmith、部署服务分别是什么

LangChain 生态里还有几个常见名字。

初学顺序：

LangChain 基础
  ↓
RAG 和 Tools
  ↓
简单 Agent
  ↓
LangSmith 调试
  ↓
LangGraph 编排复杂流程

12. 在后端项目里怎么放 LangChain

不要把 LangChain 代码全塞进 FastAPI 路由。

推荐结构：

app/
  modules/
    ai_lab/
      api.py
      schemas.py
      service.py
      chains.py
      tools.py
      retrievers.py
  core/
    ai_config.py

职责分工：

这样以后你换模型、加工具、改 RAG，不会把 API 层搅乱。

13. 常见错误

14. 学习顺序和练习项目

建议按这个顺序学：

1. 先会直接调模型。
2. 再会 Prompt Template。
3. 再会 LCEL 串流程。
4. 再会 Tool。
5. 再做一个简单 Agent。
6. 再做 RAG。
7. 最后学习 LangSmith 和 LangGraph。

推荐练习项目：

总结表

下一篇建议：结合你的后端项目，做一个 AI 实验室 小接口：输入问题，后端用 LangChain 套提示词调用模型，返回大白话解释。

参考资料

• LangChain Python 文档
• LangChain Models
• LangChain Agents
• LangChain RAG