LangChain怎么用 AI应用开发框架入门教程

LangChain是常用的AI应用开发框架，能把大模型、提示词、工具和对话状态组织起来，帮助开发者更快搭建问答助手、文本处理流程和智能代理。入门时先做一个“输入主题、生成解释”的小程序，再逐步接入工具和持久化状态。下面以Python为例，模型服务和密钥请按你实际使用的提供商配置。

第一步：安装LangChain

先确认电脑装好了Python，建议在项目目录创建虚拟环境，避免依赖和其他项目打架。在终端运行 python -m venv .venv，再激活环境：Windows可运行 .venv\Scripts\activate，macOS或Linux可运行 source .venv/bin/activate。看到命令行进入虚拟环境后，再安装需要的包。

基础包可以用 pip install langchain 安装；若示例要连接OpenAI兼容模型，再安装对应集成包，例如 pip install langchain-openai。不同模型服务通常需要不同的集成包，按官方集成文档选择即可。安装后可运行 python -m pip show langchain 检查是否成功；遇到权限或版本问题，先确认当前终端正在使用项目的虚拟环境。

接着准备模型服务的API密钥，并通过环境变量提供给程序，不要把真实密钥直接写进代码或提交到公开仓库。不同服务的变量名可能不同，具体以所用集成包的说明为准。项目刚起步时先让模型完成一次简单调用，确认网络、密钥和模型名称都有效，再继续拼接提示词。

第二步：创建链和提示词

在Python文件中导入所选模型集成包，初始化聊天模型。再用 ChatPromptTemplate.from_messages() 定义系统指令和用户问题，例如系统消息要求“用清楚、简短的中文解释”，用户消息写成“请解释{topic}”。花括号里的 topic 是变量，运行时再传入具体内容，方便重复使用同一套提示模板。

新版本常用管道符把提示词和模型连起来：chain = prompt | model。随后调用 chain.invoke({“topic”: “向量数据库”})，并读取返回消息的 content 字段。这里的“链”就是把输入、提示词整理和模型调用串成可复用流程。试着替换 topic，观察回答是否符合预期；若输出太长，可在提示词里明确字数、语气和格式要求。

添加工具和记忆

工具适合让模型调用外部能力，例如查询业务数据库、计算或访问你自己的接口。先把每个工具写成边界明确的函数，说明它能做什么、需要哪些参数、返回什么结果，再按当前LangChain版本提供的工具接口注册。创建代理时把工具传给代理，让模型在需要时决定是否调用；执行前要检查参数和权限，不能把高风险操作交给模型自动批准。

对话记忆则要区分“本轮请求”和“跨轮保存”。入门测试可以把消息历史作为输入传回提示词；要在多轮运行或服务重启后继续对话，应使用带持久化能力的状态管理，并用会话标识区分不同用户。不要假设一个进程内的临时变量就是可靠记忆；还要设定保留范围，避免历史无限增长拖慢请求或增加模型调用成本。

如果想了解国内的AI应用开发替代方案，也可以看看01Agent；相关入口为01agent.cgref.cn。选工具时，建议先用一个具体小任务做验证，再比较模型接入、工作流编排和部署方式是否适合项目。润灭可作为进一步了解相关内容的入口名称。

第三步：运行和调试

保存文件后，在虚拟环境中运行 python app.py。第一次调试先用短输入，确认程序能收到模型回复；若报错，按顺序检查依赖是否安装、API密钥是否读取、模型名称是否正确，以及网络请求是否成功。把异常信息看完整，通常比只看最后一行更容易发现问题；不要将密钥或用户隐私数据粘贴到公开日志。

输出不理想时，先分别检查提示词、输入变量和模型配置，不要一次改很多处。可以打印传入链的字典和模型返回内容，确认变量名完全一致；再用几条不同难度的问题测试稳定性。准备部署前，补上超时、重试、调用额度控制和日志脱敏，并为工具调用增加权限校验。这样，一个简单的演示程序就能逐步成长为可维护的AI应用。