企业官网建设流程全解析

LangChain 入门指南：用 Python 搭建大模型应用

一、开头痛点：调通一个大模型 demo 容易，做成一个应用很难

很多同学第一次调 OpenAI 接口，几行requests就跑起来了，很有成就感。但真要把大模型塞进一个产品，事情就不一样了：

• 用户问一个问题，你要把历史对话拼进 prompt，还得控制长度，不然超 token；
• 想让模型「先检索资料再回答」（RAG），你得自己下载网页、切文本、算向量、存数据库、再拼回 prompt；
• 同一个功能要在测试、生产里换不同的模型，代码到处是if；
• 流程一长，代码就变成一团乱麻的字符串拼接，改一处崩一片。

LangChain 就是为了解决这些「胶水工作」而生的框架。它把「模型、提示词、记忆、检索、工具调用」都抽象成可组合的组件（chain），让你像搭积木一样把大模型应用串起来，而不用重复造轮子。本文带你用 Python 从零跑通一个能检索网页并回答的问答机器人。

二、环境准备：三行命令装好

LangChain 从 0.1 版本起把各厂家的集成拆分成了独立子包，OpenAI 相关的要单独装。建议先建虚拟环境：

# 创建并激活虚拟环境（可选但推荐）python-mvenv .venvsource.venv/bin/activate# Windows 用 .venv\Scripts\activate# 安装核心包与 OpenAI 集成pipinstalllangchain langchain-openai langchain-community

装好之后，还需要一个 OpenAI API Key（或兼容的本地/第三方 endpoint）。把它放进环境变量，避免硬编码：

exportOPENAI_API_KEY="sk-你的密钥"# Windows 用 set OPENAI_API_KEY=...

下面所有示例都基于这套环境，模型用通用的gpt-3.5-turbo。文末会告诉你换成国产模型或本地 Ollama 的方法。

三、最小可运行示例：一句话调用大模型

先写一个「能跑起来」的最小例子，建立整体直觉——LangChain 里最核心的对象就是ChatOpenAI，它对标 OpenAI 的聊天接口：

# hello_langchain.pyfromlangchain_openaiimportChatOpenAI# 实例化一个聊天模型，temperature 控制随机性（0 最稳，1 最发散）llm=ChatOpenAI(model="gpt-3.5-turbo",temperature=0.7)# invoke 是最通用的同步调用方式，传入字符串即可response=llm.invoke("用一句话解释什么是 LangChain？")print(response.content)# .content 才是真正的文本回复

运行python hello_langchain.py，你会看到一段中文解释。response是一个AIMessage对象，里面除了content还有usage_metadata（token 用量）等信息。这就是 LangChain 统一消息格式的好处：换模型、换接口，调用方式不变。

四、核心概念：模型、提示词、链、解析器

1) 提示词模板（PromptTemplate）
把可变部分抽成占位符，避免手写字符串拼接：

fromlangchain_core.promptsimportChatPromptTemplate# from_messages 支持 system/user 多角色，{topic} 是占位符prompt=ChatPromptTemplate.from_messages([("system","你是乐于助人的技术博主，用简洁的中文回答。"),("user","请讲讲 {topic} 的核心价值。"),])

2) 链（LCEL）与输出解析器
LangChain 0.2+ 推荐使用 LCEL 的管道语法|把组件串起来，最后一个StrOutputParser()把消息对象转成纯文本：

fromlangchain_core.output_parsersimportStrOutputParser# prompt -> llm -> 解析成字符串，构成一条可复用的链chain=prompt|llm|StrOutputParser()print(chain.invoke({"topic":"向量数据库"}))

3) 记忆（Memory / 历史）
多轮对话需要把历史传入。最简做法是用MessagesPlaceholder：

fromlangchain_core.promptsimportMessagesPlaceholder chat_prompt=ChatPromptTemplate.from_messages([("system","你是中文助手。"),MessagesPlaceholder("history"),# 运行时注入历史消息("user","{input}"),])

理解这三块，你就掌握了 LangChain 的骨架：模板负责组 prompt，链负责把数据流过模型，解析器负责把结果变干净。

五、进阶用法：用管道拼出检索增强（RAG）雏形

真正有用的应用，往往要让模型「先查资料再答」。下面演示一个最小 RAG 链路：加载网页 → 切分 → 向量化 → 检索 → 拼接回答。注意这里每个环节都是独立组件，可以任意替换。

fromlangchain_community.document_loadersimportWebBaseLoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_openaiimportOpenAIEmbeddingsfromlangchain_community.vectorstoresimportFAISS# 1) 加载一篇网页文档loader=WebBaseLoader("https://python.langchain.com/docs/get_started/")docs=loader.load()# 2) 按 500 字切块，留 50 字重叠，保证语义连续splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50)chunks=splitter.split_documents(docs)# 3) 用 OpenAI 嵌入模型向量化，建一个内存里的 FAISS 索引vectorstore=FAISS.from_documents(chunks,OpenAIEmbeddings())retriever=vectorstore.as_retriever(search_kwargs={"k":3})# 每次取最相关的 3 段

这一步跑完，retriever就能根据问题返回最相关的文本片段了。进阶点上，你可以把FAISS换成Chroma/Milvus，把OpenAIEmbeddings换成OllamaEmbeddings实现完全离线。

六、实战场景：一个能「读网页再回答」的问答机器人（完整代码）

把前面所有概念串起来，做一个真正能用的小工具：给它一个网址和一个问题，它先检索网页内容，再基于检索结果作答，而不是瞎编。

# qa_bot.pyfromlangchain_openaiimportChatOpenAI,OpenAIEmbeddingsfromlangchain_community.document_loadersimportWebBaseLoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_community.vectorstoresimportFAISSfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.runnablesimportRunnablePassthrough# 1. 准备模型llm=ChatOpenAI(model="gpt-3.5-turbo",temperature=0)# 2. 构建检索器loader=WebBaseLoader("https://python.langchain.com/docs/get_started/")docs=loader.load()chunks=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50).split_documents(docs)retriever=FAISS.from_documents(chunks,OpenAIEmbeddings()).as_retriever()# 3. 提示词：明确要求「只根据上下文回答」prompt=ChatPromptTemplate.from_template("你是一个严谨的助手，只根据下面的上下文回答问题，""如果上下文没有答案就回答「资料里没提到」。\n\n""上下文：\n{context}\n\n问题：{question}")# 4. 把检索到的片段拼成一段文本defformat_docs(docs):return"\n\n".join(d.page_contentfordindocs)# 5. 用 LCEL 管道组装完整链路qa_chain=({"context":retriever|format_docs,"question":RunnablePassthrough()}|prompt|llm|StrOutputParser())# 6. 提问answer=qa_chain.invoke("LangChain 里的 chain 是什么？")print(answer)

运行python qa_bot.py，它会自动抓网页、建索引、检索、生成答案。这里RunnablePassthrough()把用户问题原样传下去，retriever | format_docs把「问题→相关段落」的检索过程封装成一步。整条链路可读性很强，要加记忆、加工具调用，都是往管道里再接一段而已。

七、常见坑与报错（附解决办法）

坑 1：ImportError: cannot import name 'ChatOpenAI' from 'langchain'
现象：照着老教程写from langchain.chat_models import ChatOpenAI报错。
原因：LangChain 0.1+ 把所有厂家集成拆到了独立包，ChatOpenAI现已归属langchain-openai。
解决：先pip install langchain-openai，再改成from langchain_openai import ChatOpenAI；类似地，OpenAIEmbeddings也来自这个包。

坑 2：AuthenticationError: Incorrect API key provided/ 返回空
现象：代码没错，但调用直接抛鉴权错误，或报OPENAI_API_KEY未设置。
原因：没配置密钥，或配置到了错误的 shell 会话 / 虚拟环境。
解决：在运行脚本的同一环境里export OPENAI_API_KEY=...；更稳妥的是在项目根目录放一个.env文件，并用python-dotenv的load_dotenv()加载，避免密钥进入代码仓库。

坑 3：DeprecationWarning: class 'LLMChain' is deprecated或模型已退役
现象：老代码跑出来一堆警告，甚至调用text-davinci-003时报 404。
原因：LLMChain/ConversationChain等旧式链已被 LCEL 管道取代；text-davinci-*系列模型也早已下线。
解决：用本文第四节的prompt | llm | StrOutputParser()管道写法替代LLMChain；模型统一改用gpt-3.5-turbo/gpt-4o等聊天模型，别再碰已退役的 completion 模型。

八、总结与下一步

LangChain 的核心价值就一句话：把大模型应用里那些重复的「胶水代码」标准化成可组合的组件。本文覆盖了安装、最小调用、提示词模板、LCEL 管道、输出解析，以及一条完整的「读网页再回答」RAG 问答链路，并点出了三个最容易踩的真实坑。

下一步建议你：

1. 把OpenAIEmbeddings换成OllamaEmbeddings，模型换成qwen2之类的本地模型，跑通离线 RAG；
2. 引入langchain_core.messages的AIMessage/HumanMessage自己管理多轮对话历史；
3. 学习tools与bind_tools，让模型能调用你自定义的函数（比如查天气、算账），进阶到 Agent。

动手把今天这个qa_bot.py换成你自己的博客 URL，你就拥有了人生第一个检索增强的大模型应用。