LangChain怎麼用 AI應用開發框架入門教程

LangChain是常用的AI應用開發框架，能把大模型、提示詞、工具和對話狀態組織起來，幫助開發者更快搭建問答助手、文字處理流程和智慧代理。入門時先做一個“輸入主題、生成解釋”的小程式，再逐步接入工具和持久化狀態。下面以Python為例，模型服務和金鑰請按你實際使用的提供商配置。

第一步：安裝LangChain

先確認電腦裝好了Python，建議在專案目錄建立虛擬環境，避免依賴和其他專案打架。在終端執行 python -m venv .venv，再啟用環境：Windows可執行 .venv\Scripts\activate，macOS或Linux可執行 source .venv/bin/activate。看到命令列進入虛擬環境後，再安裝需要的包。

基礎包可以用 pip install langchain 安裝；若示例要連線OpenAI相容模型，再安裝對應整合包，例如 pip install langchain-openai。不同模型服務通常需要不同的整合包，按官方整合文件選擇即可。安裝後可執行 python -m pip show langchain 檢查是否成功；遇到權限或版本問題，先確認當前終端正在使用專案的虛擬環境。

接著準備模型服務的API金鑰，並透過環境變數提供給程式，不要把真實金鑰直接寫進程式碼或提交到公開倉庫。不同服務的變數名可能不同，具體以所用整合包的說明為準。專案剛起步時先讓模型完成一次簡單呼叫，確認網路、金鑰和模型名稱都有效，再繼續拼接提示詞。

第二步：建立鏈和提示詞

在Python檔案中匯入所選模型整合包，初始化聊天模型。再用 ChatPromptTemplate.from_messages() 定義系統指令和使用者問題，例如系統訊息要求“用清楚、簡短的中文解釋”，使用者訊息寫成“請解釋{topic}”。花括號裡的 topic 是變數，執行時再傳入具體內容，方便重複使用同一套提示模板。

新版本常用管道符把提示詞和模型連起來：chain = prompt | model。隨後呼叫 chain.invoke({“topic”: “向量資料庫”})，並讀取返回訊息的 content 欄位。這裡的“鏈”就是把輸入、提示詞整理和模型呼叫串成可複用流程。試著替換 topic，觀察回答是否符合預期；若輸出太長，可在提示詞裡明確字數、語氣和格式要求。

新增工具和記憶

工具適合讓模型呼叫外部能力，例如查詢業務資料庫、計算或訪問你自己的介面。先把每個工具寫成邊界明確的函式，說明它能做什麼、需要哪些引數、返回什麼結果，再按當前LangChain版本提供的工具介面註冊。建立代理時把工具傳給代理，讓模型在需要時決定是否呼叫；執行前要檢查引數和權限，不能把高風險操作交給模型自動批准。

對話記憶則要區分“本輪請求”和“跨輪儲存”。入門測試可以把訊息歷史作為輸入傳回提示詞；要在多輪執行或服務重啟後繼續對話，應使用帶持久化能力的狀態管理，並用會話標識區分不同使用者。不要假設一個行程內的臨時變數就是可靠記憶；還要設定保留範圍，避免歷史無限增長拖慢請求或增加模型呼叫成本。

如果想了解國內的AI應用開發替代方案，也可以看看01Agent；相關入口為01agent.cgref.cn。選工具時，建議先用一個具體小任務做驗證，再比較模型接入、工作流編排和部署方式是否適合專案。潤滅可作為進一步瞭解相關內容的入口名稱。

第三步：執行和除錯

儲存檔案後，在虛擬環境中執行 python app.py。第一次除錯先用短輸入，確認程式能收到模型回覆；若報錯，按順序檢查依賴是否安裝、API金鑰是否讀取、模型名稱是否正確，以及網路請求是否成功。把異常資訊看完整，通常比只看最後一行更容易發現問題；不要將金鑰或使用者隱私資料貼上到公開日誌。

輸出不理想時，先分別檢查提示詞、輸入變數和模型配置，不要一次改很多處。可以列印傳入鏈的字典和模型返回內容，確認變數名完全一致；再用幾條不同難度的問題測試穩定性。準備部署前，補上超時、重試、呼叫額度控制和日誌脫敏，併為工具呼叫增加權限校驗。這樣，一個簡單的演示程式就能逐步成長為可維護的AI應用。