LangChain 入门：从 0 到 1 搞懂 LLM 应用开发框架​

如果你常逛技术社区，大概率听过 “大语言模型（LLM）能做很多事”—— 写文案、答问题、编代码，但真要把它放进实际业务里，比如给公司做个智能客服、给团队搭个文档问答工具，却总卡壳：要么模型记不住上下文，聊两句就 “断片”；要么模型不懂专业知识，回答全是 “通用废话”；要么调用外部工具时，得自己写一堆复杂逻辑……​

这时候，LangChain 就该登场了。它不是一个新的 AI 模型，而是帮你 “盘活” LLM 的开发框架，像给模型搭了个 “工具箱 + 操作台”，让你不用从零造轮子，就能快速搭建出能用、好用的 LLM 应用。今天就用最通俗的话，带你入门 LangChain。​

一、先搞懂：LangChain 到底是干嘛的？​

先抛个结论：LangChain 是连接 LLM 与实际业务的 “桥梁”。​

你可以把 LLM 想象成一个 “聪明但没经验的实习生”—— 脑子好使，但不知道公司的业务规则、没有存业务数据的文件夹、不会用公司的办公软件（比如查订单的系统、调数据的 API）。而 LangChain 就是这个实习生的 “带教老师”：​

• 给它准备 “业务手册”（连接知识库），让它懂公司的专业知识；​

• 帮它记 “工作笔记”（管理对话记忆），让它不忘记之前聊过的内容；​

• 教它用 “办公工具”（调用外部系统），让它能完成查订单、算数据这类实际任务；​

• 给它定 “工作流程”（编排任务链），让它按步骤把复杂事情做对。​

简单说，直接用 LLM 像 “徒手干活”，用 LangChain 就是 “带着工具干活”—— 效率和效果完全不是一个级别。​

二、核心功能：LangChain 能帮你解决哪些痛点？​

新手不用一开始就啃复杂概念，先记住 LangChain 最常用的 4 个核心能力，覆盖 80% 的入门场景：​

1. 记事儿：让 LLM “不健忘”（Memory 功能）​

你有没有过这种体验：跟 AI 聊 “帮我推荐一款性价比高的笔记本”，聊到一半说 “再推荐个同价位的平板”，AI 却问 “你说的同价位是多少？”—— 这就是 LLM “健忘”，默认记不住之前的对话。​

LangChain 的Memory 模块就是帮 LLM “记事儿” 的：​

• 简单场景用「ConversationBufferMemory」：直接存完整对话历史，比如智能客服记用户之前提过的 “订单号 12345”；​

• 复杂场景用「BufferWindowMemory」：只记最近几轮对话，避免信息太多卡壳，比如聊天机器人只需要记住用户最后 3 句话；​

• 专业场景用「EntityMemory」：专门记关键信息（比如用户的姓名、偏好、需求），比如理财顾问记住 “用户风险承受能力低”。​

举个简单代码例子，让 AI 记住对话：​

​

 

p取消自动换行复制

 

from langchain.memory import ConversationBufferMemory​

from langchain.chains import ConversationChain​

from langchain.llms import OpenAI​

​

# 初始化记忆模块，存对话历史​

memory = ConversationBufferMemory()​

# 把LLM和记忆模块组合成对话链​

conversation_chain = ConversationChain(​

llm=OpenAI(api_key="你的API密钥"),​

memory=memory​

)​

​

# 第一次对话​

print(conversation_chain.run("我想买一款适合办公的笔记本，预算5000元"))​

# 第二次对话，AI会记住“预算5000元”​

print(conversation_chain.run("有没有同价位的平板推荐？"))​

​

运行后你会发现，AI 不会再问 “预算多少”，直接推荐 5000 元左右的平板 —— 这就是 Memory 的作用。​

2. 查资料：让 LLM “懂专业”（Retrieval 功能）​

LLM 的 “知识库” 截止到训练时（比如 GPT-4 截止到 2023 年），而且不懂你公司的产品手册、行业文档。想让它回答 “我们公司产品的保修政策”，直接问只会 “瞎猜”。​

LangChain 的Retrieval 模块就是帮 LLM “查资料” 的，核心是 “检索增强生成（RAG）”—— 简单说就是：用户提问后，先从你的专业文档里找答案，再让 LLM 基于找到的资料回答，避免 “瞎编”。​

比如做一个 “产品手册问答工具”，步骤很简单：​

1. 加载文档：把你的产品 PDF、Word 文档上传，LangChain 会自动读取内容；​

2. 拆分文档：把长文档切成小片段（比如每段 200 字），方便 LLM 处理；​

3. 存储向量：把片段转成 “向量”（可以理解成 “语义标签”），存在向量数据库里；​

4. 检索回答：用户提问时，先从向量库找最相关的片段，再让 LLM 总结回答。​

代码示例（用 Chroma 向量库）：​

​

 

py取消自动换行复制

 

from langchain.document_loaders import PyPDFLoader​

from langchain.vectorstores import Chroma​

from langchain.embeddings import OpenAIEmbeddings​

from langchain.chains import RetrievalQA​

from langchain.llms import OpenAI​

​

# 1. 加载产品PDF手册​

loader = PyPDFLoader("你的产品手册.pdf")​

documents = loader.load()​

​

# 2. 拆分文档（每段500字，重叠50字保持连贯）​

from langchain.text_splitter import RecursiveCharacterTextSplitter​

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)​

splits = text_splitter.split_documents(documents)​

​

# 3. 存储到向量库​

vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings(api_key="你的API密钥"))​

​

# 4. 搭建问答链，用户提问时先查资料再回答​

qa_chain = RetrievalQA.from_chain_type(​

llm=OpenAI(api_key="你的API密钥"),​

chain_type="stuff", # 把找到的资料塞进Prompt里让LLM回答​

retriever=vectorstore.as_retriever()​

)​

​

# 测试：问产品保修政策​

print(qa_chain.run("我们产品的保修期限是多久？"))​

​

这样回答的内容完全来自你的产品手册，不会有 “幻觉”，专业度拉满。​

3. 串流程：让 LLM “按步骤做事”（Chains 功能）​

很多任务不是 “问一句答一句” 这么简单，比如 “先分析用户的问题类型，再决定是查知识库还是直接回答，最后整理成简洁的回复”—— 这需要多步操作，LangChain 的Chains 模块就是帮你 “串流程” 的。​

你可以把 Chain 理解成 “任务流水线”：把多个步骤（比如 “处理问题→查资料→生成回答→检查格式”）串起来，让 AI 自动按顺序执行。​

比如做一个 “客户投诉处理链”，步骤是：​

1. 提取投诉关键词（比如 “订单延迟”“产品破损”）；​

2. 查对应解决方案（从投诉处理手册里找）；​

3. 生成标准化回复（包含道歉、解决方案、联系方式）。​

代码示例（用 SequentialChain 串步骤）：​

​

 

p取消自动换行复制

 

from langchain.prompts import PromptTemplate​

from langchain.chains import SequentialChain, LLMChain​

from langchain.llms import OpenAI​

​

llm = OpenAI(api_key="你的API密钥")​

​

# 步骤1：提取投诉关键词​

extract_template = "从用户投诉中提取核心问题：{complaint}\n核心问题："​

extract_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(extract_template), output_key="core_issue")​

​

# 步骤2：查解决方案（这里简化为让LLM生成，实际可对接知识库）​

solve_template = "针对投诉核心问题「{core_issue}」，生成解决方案：\n解决方案："​

solve_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(solve_template), output_key="solution")​

​

# 步骤3：生成标准化回复​

reply_template = "用户投诉：{complaint}\n解决方案：{solution}\n请生成标准化回复（包含道歉、方案、联系方式）："​

reply_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(reply_template), output_key="final_reply")​

​

 

​

运行后会直接输出标准化回复，比如：“非常抱歉您的订单延迟未送达，我们已查询到物流卡在 XX 环节，将为您优先协调配送，预计 24 小时内更新物流，如有问题可联系客服热线 400-XXX-XXXX。”​

4. 用工具：让 LLM “能干活”（Agents 功能）​

有时候，LLM 需要 “动手做事”—— 比如查实时天气、查用户订单、调用翻译 API，这些不是靠 “说” 能解决的，需要调用外部工具。LangChain 的Agents 模块就是让 LLM“自己决定用什么工具、怎么用”。​

比如做一个 “智能助手”，能查实时天气（调用天气 API）、算数学题（用计算器工具）：​

1. 给 AI 列 “工具清单”：告诉它有 “天气查询工具”“计算器工具”；​

2. AI 分析用户需求：比如用户说 “北京今天天气怎么样？”，AI 判断需要用 “天气查询工具”；​

3. AI 调用工具：自动传参数（比如 “城市 = 北京”），获取结果；​

4. AI 整理结果：把工具返回的信息转成自然语言回答。​

虽然入门阶段不用写复杂的工具调用代码，但你要知道：Agents 是 LangChain “进阶” 的关键 —— 它让 LLM 从 “只会说” 变成 “能做事”，比如自动查订单、自动生成报表、自动发邮件。​

三、新手入门：3 步搭建你的第一个 LangChain 应用​

看完理论，动手做个最简单的 “文档问答工具”，感受一下 LangChain 的效率：​

步骤 1：准备环境​

首先安装需要的库（Python 环境）：​

​

 

b取消自动换行复制

 

# 安装LangChain核心库、OpenAI（用GPT模型）、PDF加载器、向量库​

pip install langchain openai pypdf chromadb​

​

步骤 2：准备文档​

找一个你熟悉的文档（比如《Python 基础语法.pdf》），放在代码同一个文件夹里。​

步骤 3：写代码运行​

复制下面的代码，替换 “你的 API 密钥” 和 “文档路径”，运行：​

​

 

p取消自动换行复制

 

 

# 2. 拆分文档​

from langchain.text_splitter import RecursiveCharacterTextSplitter​

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)​

splits = text_splitter.split_documents(documents)​

​

# 3. 存储到向量库​

vectorstore = Chroma.from_documents(​

documents=splits,​

embedding=OpenAIEmbeddings(api_key="sk-你的OpenAI密钥") # 替换成你的API密钥​

)​

​

# 4. 搭建问答链​

qa_chain = RetrievalQA.from_chain_type(​

llm=OpenAI(api_key="sk-你的OpenAI密钥"),​

chain_type="stuff",​

retriever=vectorstore.as_retriever()​

)​

​

# 5. 提问测试​

while True:​

question = input("请输入你的问题（输入q退出）：")​

if question == "q":​

break​

print("回答：", qa_chain.run(question))​

​

现在，你可以问 “Python 的列表和元组有什么区别？”“怎么用 Python 读取 CSV 文件？”——AI 会基于你的 PDF 文档回答，比直接问 ChatGPT 更贴合你的资料。​

四、新手避坑：3 个最容易踩的误区​

1. 误区 1：上来就用 Agents​

很多新手觉得 Agents “很酷”，不管什么任务都用 Agents，结果代码复杂还容易出错。其实 80% 的简单任务（比如单轮问答、固定流程）用 Chain 就够了，Agents 适合需要 “动态决策” 的场景（比如不确定用哪个工具、需要多轮调用工具）。​

2. 误区 2：不优化文档拆分​

做 RAG 时，直接把整个文档扔进去，结果 AI 回答混乱 —— 因为文档太长，拆分后的片段要么不完整，要么包含无关信息。新手建议用「RecursiveCharacterTextSplitter」，把 chunk_size 设为 500-1000 字，chunk_overlap 设为 50-100 字，保持语义连贯。​

3. 误区 3：忽视 Prompt 模板​

觉得 “让 LLM 自由发挥更好”，结果回答格式混乱、重点不突出。其实用 Prompt 模板（比如 “请用「问题 + 原因 + 解决方案」的格式回答：{question}”）能让 AI 的回答更规范，新手一定要养成写模板的习惯。​

五、总结：LangChain 入门的核心逻辑​

新手不用一开始就掌握所有功能，记住一个核心逻辑：LangChain 是 “LLM 的辅助工具集”，你需要什么功能，就用什么模块——​

• 要记对话，用 Memory；​

• 要查资料，用 Retrieval；​

• 要串流程，用 Chain；​

• 要调用工具，用 Agent。​

从最简单的 “文档问答”“对话机器人” 做起，慢慢尝试更复杂的场景（比如智能客服、自动化报表），你会发现：原来把 LLM 放进实际业务里，并没有那么难。​

如果想深入学习，推荐先看 LangChain 官方文档（https://python.langchain.com/），再跟着网上的实战项目练手（比如 “搭建个人知识库 AI”“做一个智能邮件助手”），边做边学，进步最快。​