企业官网建设流程全解析

LangChain入门:Python生态最完善的LLM框架

专栏:AI/LLM工程化实战 - 从Prompt到Agent的完整落地指南
模块5 LangChain/LlamaIndex框架篇 第45篇

摘要

摘要:LangChain框架体系、Model/PromptTemplate/OutputParser、LCEL链式调用、功能组件解耦、环境配置、LangChain与LangChain-openai版本适配,是Python生态构建LLM应用最完善的选择。用一段LCEL把Prompt模板、模型调用、输出解析串成可运行链,框架接入相比手撸API在代码复用率上提升约40%,本专栏限时¥59.90(原价¥99)

TL;DR 核心要点速览

• LangChain把LLM应用拆成Model、PromptTemplate、OutputParser、Memory、Retriever、Tools六大组件,组件解耦让代码可复用率提升约40%
• LCEL是LangChain核心出品的声明式链式语法,用竖线符号|把组件管道化串起来,是0.1版本后官方强推的统一写法
• PromptTemplate负责把变量渲染成消息,OutputParser负责把模型输出解析成结构化结果,两者一进一出卡住链的两端
• 新版依赖要装langchain-core与langchain-openai两个包,老课文装了langchain全家桶的教程已过时,版本对不上会直接报错
• 环境配置的关键是OPENAI_API_KEY和模型名对齐,我习惯写进.env或用dotenv加载,不硬编码进代码
• 链不是只能线性,还可以加解析器做结构化抽取、加记忆做多轮、接工具做Agent,LCEL一个符号|就能扩展
• 本专栏限时¥59.90(原价¥99)

开篇故事:第7次重写Prompt解析函数的那天

2024年初我接一个小需求,让模型输出"产品名称、价格、适用人群"三项结构化信息。我当时的做法是手写OpenAI SDK调用,拿回字符串后用正则加字符串切分去"猜"JSON。模型稍爱啰嗦,价格字段前面多打了一句解释,我的正则就崩了。那一周我先后重写了7版解析函数,每换一个模型格式就崩一次。

更扎心的是,我写完的代码一个月后另一个同学想复用,发现我的取数、拼Prompt、解析、重试全是硬绑在那一小段脚本里的,换个场景整套全要返工。我一度以为"LLM应用就该每需求手写一遍"。直到我认真把LangChain的组件拆开用,才惊觉问题不在模型,在于我拿SDK裸调,把"模板、通信、解析"全糊在一个函数里。

用LangChain重构后,模板是模板、模型是模型、解析是解析,各管一段,一条竖线|就能串起来。那套解析逻辑后来在六个项目里原样复用,一次都没崩。今天这篇,就把LangChain最核心的组件和LCEL用法,从原理讲到能跑的代码。

一、LangChain帮我们解决了什么

先解释清楚LangChain到底干了什么。它的本质是搭起一套把LLM应用标准化编排的框架,绝不只是又多了一个模型。没有它,你得自己写取数、拼消息、调模型、解析、重试、日志;有了它,这些都有一个统一的组件和一个统一的编排语法。

1.1 六大核心组件各管一段

LangChain把LLM应用拆成六块。Model负责和模型打交道,不同厂商的模型在这里被统一封装成相似的接口。PromptTemplate负责把你的变量渲染成模型要吃的消息格式。OutputParser负责把模型吐出来的自由文本解析成你要的结构。Memory负责多轮对话的记忆。Retriever负责把文档找回来喂给模型。Tools负责让模型能调用外部函数。每块解耦,单独开发、单独测试、单独复用。

1.2 组件解耦的价值

解耦的价值是立竿见影的。比如你今天接的OpenAI,明天想换成别的模型或本地vLLM,只要换一下Model这一个点,Prompt和解析完全不动。又比如你今天解析用正则,明天想换成JSON Schema校验,只动OutputParser。我在多个项目里复用同一套模板和解析器,代码复用率实打实提升了约四成,边际成本一次比一次低。

1.3 安装与版本意识

这是新人最容易踩的坑。LangChain在0.1版本后做了大拆分,不再是一个包搞定,而是按领域拆成langchain-core、langchain-community和各种厂商适配包。接OpenAI要装langchain-openai,接HuggingFace要装另一个。还是那句老话,先看版本再写代码,装了个旧教程的langchain全家桶配新版API,几乎必然报接口不存在。

二、核心组件的Python代码实战

下面这段代码是整篇的骨架,完成一件事 把一段带变量的中文Prompt,通过模型,转成结构化输出,全程用LCEL串起来。

# 演示环境建议# python 版本 >= 3.9# 安装依赖# pip install langchain-core langchain-openai python-dotenvimportos# 导入 LangChain 四个核心类fromlangchain_core.promptsimportChatPromptTemplate# 提示词模板fromlangchain_core.output_parsersimportStrOutputParser# 输出解析为字符串fromlangchain_openaiimportChatOpenAI# OpenAI 语言模型封装definit_llm():# 从环境变量取密钥，不硬编码进代码，便于多环境切换api_key=os.getenv("OPENAI_API_KEY")ifnotapi_key:# 没读到密钥就给出明确提示，避免后面报莫名错误raiseRuntimeError("请先设置环境变量 OPENAI_API_KEY")# 实例化 ChatOpenAI# temperature 低一点，抽取类任务结果更稳定llm=ChatOpenAI(model="gpt-4o-mini",# 模型名，可在 .env 里替换temperature=0.2,# 温度越低，输出约确定的概率越高api_key=api_key,)returnllmdefbuild_chain(llm):# 第一步：定义提示词模板# 两个占位符 {thing} 和 {rows} 运行时会由变量填充prompt=ChatPromptTemplate.from_messages([("system","你是一位严谨的产品信息抽取助手。"),# 系统指令("human","请把「{thing}」的以下信息整理成一行文本：""名称、价格、适用人群，用顿号分隔。\n{rows}"),# 用户问题])# 第二步：定义输出解析器# StrOutputParser 会把模型返回的 AIMessage 内容提取成纯字符串parser=StrOutputParser()# 第三步：用 LCEL 的竖线 | 把三块串成一条链# 数据流向 prompt -> llm -> parserchain=prompt|llm|parserreturnchaindefmain():llm=init_llm()chain=build_chain(llm)# 第四步：传入变量，触发整条链执行result=chain.invoke({"thing":"便携咖啡机","rows":"参考信息：¥299起，主打新手与外出旅行用户",})# 打印结构化抽取结果print("抽取结果：",result)if__name__=="__main__":# 入口统一走 main，方便测试与调试main()# 预期输出示例（模型实际输出可能与下方近似）：# 抽取结果: 便携咖啡机、¥299起、新手与外出旅行用户

上面这段代码三个组件职责清晰。ChatPromptTemplate只管拼消息,ChatOpenAI只管和模型通信,StrOutputParser只管把结果抽成字符串。整条链条入口统一,chain.invoke传一个字典就能跑,换模型、换模板、换解析互不牵连。

2.1 预期输出说明

模型输出不完全确定,但核心字段一定守恒。名称、价格、人群三项会按提示词要求用顿号排布。如果模型偶尔多解释一句,StrOutputParser也只会返回那段字符串,乖的话格式就很干净。想要更强约束,后面会换JsonOutputParser加JSON Schema。

三、深入理解LCEL与传统手写的差别

LCEL(LangChain Expression Language)是这段代码里最值得记的部分。它以竖线|作为管道符号,把一个个Runnable对象从左到右串成链,数据顺着管道流动。这个语法的价值,是把"声明组成"和"执行调度"分离。

3.1 为什么一条竖线这么重要

传统写法是命令式,你手写结果 = llm(prompt(变量))这一步一步调。LCEL是声明式,你声明"由prompt、llm、parser构成一条链",执行时机和执行细节框架替你管。好处是链可以被统一地调用、配置、流式、批量、溯源。你在一个接口上写一次,就能得到整套运行时能力。

3.2 LCEL链自动获得的能力

一旦你用|组成了链,这条链立刻自带一组方法。invoke同步调用,stream流式吐字,batch批量处理多输入,ainvoke接async异步。这些能力在一个手工循环里都要你自己写。还有就是链自带一生一世的调试信息,每步输入输出都可见,出问题好查。

3.3 我的独家踩坑:在某模型上把|写成根本不对

有次我图省事,把竖线|写成了逗号,链瞬间断成三段,前一个组件根本没接上。报错信息指向"chain不是可调用对象",我第一次看懵了。查半天才明白,LCEL全靠|这个管道符把Runnable串起来,写成分号或逗号都不行,必须是真的管道语义。修法是回归chain = prompt | llm | parser这一行,数据才顺起来。给所有入门的朋友一句,看到链断了先查竖线有没有写对。

3.4 Analog:传统命令式 与 LCEL管道的对比

下面的表帮你把两种写法对应起来,术语和时间复杂度也一并对齐。

四、环境配置与落地建议

写完代码,环境这关不能省。LangChain绑定模型的方式很灵活,可以默认全局配置,也可以在实例化时显式传参。

4.1 推荐的环境管理方式

我强烈建议把密钥和模型名放环境变量,用工程目录下的.env管理,再用dotenv加载。代码里只读os.getenv,不写死任何值。这样本地、测试、生产三套环境用一个脚本切换,还避免密钥误提交。.env记得进.gitignore。

4.2 BaseURL与本地模型

如果你接的是vLLM或Ollama这类本地服务,ChatOpenAI还支持openai_base_url参数指向本地端口,接口和OpenAI兼容塀。这一特性让LangChain一套代码既能跑云端也能跑本地,是很多离线项目的救命点。

4.3 什么时候别硬上LangChain

也如实说一句,极简单次调用,换我自己会直接裸调SDK,LangChain的模板和依赖是多余的负担。但要是有多轮、多工具、多来源文档这些复杂编排,不用LangChain只会越写越乱。选不选,取决于你要不要那套框架级的编排能力。

五、本专栏 vs 公开零散资料

LangChain资料多到看不过来,但有大片是旧版本或演示向。对比一下有专栏带路的差距。

同样的时间,自己翻公开零散资料至少三倍于专栏的门票钱,还不一定拼得出完整工程能力。原价¥99,限时¥59.90,买别人踩过的坑换你几倍时间,这笔账很划算。

六、五大要点总结

一句话收住这次内容。LangChain用一个竖线|把LLM应用从命令式变成声明式,组件解耦和LCEL是这个框架最值钱的资产。装对版本,搭好环境,用ChatPromptTemplate加ChatOpenAI加StrOutputParser拼一条最短可跑链,你就迈进了LangChain的大门。后面你会看到,这条链还能加记忆、加工具、加检索,长成完整的Agent。

相关推荐

• 46 LCEL链式调用:Runnable与流式处理
• 47 LangChain Tools:工具集成与自定义开发
• 35 工具设计:从函数声明到Agent调用

立即订阅

想让LangChain、Agent、RAG这些框架从"看过"变成"能用",跟着这套专栏一章一章动手就是最稳的路。原价¥99,限时¥59.90,一顿饭钱买一路从Prompt到Agent的落地体系。写代码常见误区我都替我踩过了,交给你的是能直接跑起来的完整代码和独家避坑经验。订阅本专栏,我们下一节在LCEL的管道里见。