LangChain 入门为什么要学 LangChain痛点LangChain 怎么帮Prompt 拼来拼去很乱ChatPromptTemplate 统一管理模板调 API、解析返回值重复写ChatOpenAI 封装模型调用多步骤Prompt → LLM → 解析硬编码Chain 用 | 管道串联LangChain 是框架底层还是 Prompt LLM 循环。安装依赖pipinstalllangchain langchain-openai langchain-core三个包分工包作用langchain主包常用入口langchain-openaiChatOpenAI兼容 DeepSeek 等 OpenAI 格式 APIlangchain-corePromptTemplate、Chain、消息类型等核心抽象ChatModelChatOpenAI对应手搓的 OpenAI client chat.completions.create。最小示例fromlangchain_openaiimportChatOpenAI llmChatOpenAI(model你的模型名,api_key你的 key,base_url你的 base_url,# DeepSeek 地址)# 直接调用传入消息列表responsellm.invoke(你好)print(response.content)# response 是 AIMessage 对象不是 strinvoke 可以传字符串也可以传消息列表。PromptTemplateChatPromptTemplate把 Prompt 从代码里「抽出来」用占位符填变量。fromlangchain_core.promptsimportChatPromptTemplate,MessagesPlaceholder promptChatPromptTemplate.from_messages([(system,你是一个简洁友好的助手用中文回答。),MessagesPlaceholder(history),# 插槽历史消息插在这里(human,{user_input}),# {user_input} 是占位符])# 填变量生成最终 messagesmessagesprompt.format_messages(user_input什么是 Python)# 结果类似[SystemMessage(...), HumanMessage(...)]占位符命名规则MessagesPlaceholder(history)→ invoke 时传history: history({user_input})→ invoke 时传user_input: user_inputfrom_messages 里角色名写法等价 role(“system”, “…”)system(“human”, “…”)user(“ai”, “…”)assistantChainLCEL 管道LangChain 用 | 把步骤串成链fromlangchain_core.output_parsersimportStrOutputParser chainprompt|llm|StrOutputParser()执行流程输入 dict → prompt 填模板 → llm 调 API → StrOutputParser 转成 str最小调用replychain.invoke({user_input:你好})print(reply)# 直接是字符串不用 .content什么时候用 ChainChainLCEL 管道适合「固定、线性的数据流」输入 → 格式化 → 调模型 → 解析输出一步走完。# 纯聊天一次 invoke 就出最终文字replychain.invoke({history:history,user_input:user_input})特征说明单次调用一次 invoke 就结束无分支不需要判断 tool_calls无循环不需要「调模型 → 执行工具 → 再调模型」可组合想串多个步骤prompt、llm、parser、后处理多轮对话怎么接否是用户输入chain.invoke得到 reply 字符串history 追加 HumanMessage AIMessagequit?结束关键代码思路每轮invoke时把当前history和user_input一并传入key 名与模板占位符一致拿到reply后将本轮的HumanMessage和AIMessage追加到history下一轮循环自动带上。fromlangchain_core.messagesimportHumanMessage,AIMessage history[]# 存历史不含 systemsystem 在 prompt 模板里# 循环内replychain.invoke({history:history,user_input:user_input})history.append(HumanMessage(contentuser_input))history.append(AIMessage(contentreply))
