LangChain入门:Python生态最完善的LLM框架专栏:AI/LLM工程化实战 - 从Prompt到Agent的完整落地指南模块5 LangChain/LlamaIndex框架篇 第45篇摘要摘要:LangChain框架体系、Model/PromptTemplate/OutputParser、LCEL链式调用、功能组件解耦、环境配置、LangChain与LangChain-openai版本适配,是Python生态构建LLM应用最完善的选择。用一段LCEL把Prompt模板、模型调用、输出解析串成可运行链,框架接入相比手撸API在代码复用率上提升约40%,本专栏限时¥59.90(原价¥99)TL;DR 核心要点速览LangChain把LLM应用拆成Model、PromptTemplate、OutputParser、Memory、Retriever、Tools六大组件,组件解耦让代码可复用率提升约40%LCEL是LangChain核心出品的声明式链式语法,用竖线符号|把组件管道化串起来,是0.1版本后官方强推的统一写法PromptTemplate负责把变量渲染成消息,OutputParser负责把模型输出解析成结构化结果,两者一进一出卡住链的两端新版依赖要装langchain-core与langchain-openai两个包,老课文装了langchain全家桶的教程已过时,版本对不上会直接报错环境配置的关键是OPENAI_API_KEY和模型名对齐,我习惯写进.env或用dotenv加载,不硬编码进代码链不是只能线性,还可以加解析器做结构化抽取、加记忆做多轮、接工具做Agent,LCEL一个符号|就能扩展本专栏限时¥59.90(原价¥99)开篇故事:第7次重写Prompt解析函数的那天2024年初我接一个小需求,让模型输出产品名称、价格、适用人群三项结构化信息。我当时的做法是手写OpenAI SDK调用,拿回字符串后用正则加字符串切分去猜JSON。模型稍爱啰嗦,价格字段前面多打了一句解释,我的正则就崩了。那一周我先后重写了7版解析函数,每换一个模型格式就崩一次。更扎心的是,我写完的代码一个月后另一个同学想复用,发现我的取数、拼Prompt、解析、重试全是硬绑在那一小段脚本里的,换个场景整套全要返工。我一度以为LLM应用就该每需求手写一遍。直到我认真把LangChain的组件拆开用,才惊觉问题不在模型,在于我拿SDK裸调,把模板、通信、解析全糊在一个函数里。用LangChain重构后,模板是模板、模型是模型、解析是解析,各管一段,一条竖线|就能串起来。那套解析逻辑后来在六个项目里原样复用,一次都没崩。今天这篇,就把LangChain最核心的组件和LCEL用法,从原理讲到能跑的代码。一、LangChain帮我们解决了什么先解释清楚LangChain到底干了什么。它的本质是搭起一套把LLM应用标准化编排的框架,绝不只是又多了一个模型。没有它,你得自己写取数、拼消息、调模型、解析、重试、日志;有了它,这些都有一个统一的组件和一个统一的编排语法。1.1 六大核心组件各管一段LangChain把LLM应用拆成六块。Model负责和模型打交道,不同厂商的模型在这里被统一封装成相似的接口。PromptTemplate负责把你的变量渲染成模型要吃的消息格式。OutputParser负责把模型吐出来的自由文本解析成你要的结构。Memory负责多轮对话的记忆。Retriever负责把文档找回来喂给模型。Tools负责让模型能调用外部函数。每块解耦,单独开发、单独测试、单独复用。1.2 组件解耦的价值解耦的价值是立竿见影的。比如你今天接的OpenAI,明天想换成别的模型或本地vLLM,只要换一下Model这一个点,Prompt和解析完全不动。又比如你今天解析用正则,明天想换成JSON Schema校验,只动OutputParser。我在多个项目里复用同一套模板和解析器,代码复用率实打实提升了约四成,边际成本一次比一次低。1.3 安装与版本意识这是新人最容易踩的坑。LangChain在0.1版本后做了大拆分,不再是一个包搞定,而是按领域拆成langchain-core、langchain-community和各种厂商适配包。接OpenAI要装langchain-openai,接HuggingFace要装另一个。还是那句老话,先看版本再写代码,装了个旧教程的langchain全家桶配新版API,几乎必然报接口不存在。二、核心组件的Python代码实战下面这段代码是整篇的骨架,完成一件事 把一段带变量的中文Prompt,通过模型,转成结构化输出,全程用LCEL串起来。# 演示环境建议# python 版本 3.9# 安装依赖# pip install langchain-core langchain-openai python-dotenvimportos# 导入 LangChain 四个核心类fromlangchain_core.promptsimportChatPromptTemplate# 提示词模板fromlangchain_core.output_parsersimportStrOutputParser# 输出解析为字符串fromlangchain_openaiimportChatOpenAI# OpenAI 语言模型封装definit_llm():# 从环境变量取密钥不硬编码进代码便于多环境切换api_keyos.getenv(OPENAI_API_KEY)ifnotapi_key:# 没读到密钥就给出明确提示避免后面报莫名错误raiseRuntimeError(请先设置环境变量 OPENAI_API_KEY)# 实例化 ChatOpenAI# temperature 低一点抽取类任务结果更稳定llmChatOpenAI(modelgpt-4o-mini,# 模型名可在 .env 里替换temperature0.2,# 温度越低输出约确定的概率越高api_keyapi_key,)returnllmdefbuild_chain(llm):# 第一步定义提示词模板# 两个占位符 {thing} 和 {rows} 运行时会由变量填充promptChatPromptTemplate.from_messages([(system,你是一位严谨的产品信息抽取助手。),# 系统指令(human,请把「{thing}」的以下信息整理成一行文本名称、价格、适用人群用顿号分隔。\n{rows}),# 用户问题])# 第二步定义输出解析器# StrOutputParser 会把模型返回的 AIMessage 内容提取成纯字符串parserStrOutputParser()# 第三步用 LCEL 的竖线 | 把三块串成一条链# 数据流向 prompt - llm - parserchainprompt|llm|parserreturnchaindefmain():llminit_llm()chainbuild_chain(llm)# 第四步传入变量触发整条链执行resultchain.invoke({thing:便携咖啡机,rows:参考信息¥299起主打新手与外出旅行用户,})# 打印结构化抽取结果print(抽取结果,result)if__name____main__:# 入口统一走 main方便测试与调试main()# 预期输出示例模型实际输出可能与下方近似# 抽取结果: 便携咖啡机、¥299起、新手与外出旅行用户上面这段代码三个组件职责清晰。ChatPromptTemplate只管拼消息,ChatOpenAI只管和模型通信,StrOutputParser只管把结果抽成字符串。整条链条入口统一,chain.invoke传一个字典就能跑,换模型、换模板、换解析互不牵连。2.1 预期输出说明模型输出不完全确定,但核心字段一定守恒。名称、价格、人群三项会按提示词要求用顿号排布。如果模型偶尔多解释一句,StrOutputParser也只会返回那段字符串,乖的话格式就很干净。想要更强约束,后面会换JsonOutputParser加JSON Schema。三、深入理解LCEL与传统手写的差别LCEL(LangChain Expression Language)是这段代码里最值得记的部分。它以竖线|作为管道符号,把一个个Runnable对象从左到右串成链,数据顺着管道流动。这个语法的价值,是把声明组成和执行调度分离。3.1 为什么一条竖线这么重要传统写法是命令式,你手写结果 llm(prompt(变量))这一步一步调。LCEL是声明式,你声明由prompt、llm、parser构成一条链,执行时机和执行细节框架替你管。好处是链可以被统一地调用、配置、流式、批量、溯源。你在一个接口上写一次,就能得到整套运行时能力。3.2 LCEL链自动获得的能力一旦你用|组成了链,这条链立刻自带一组方法。invoke同步调用,stream流式吐字,batch批量处理多输入,ainvoke接async异步。这些能力在一个手工循环里都要你自己写。还有就是链自带一生一世的调试信息,每步输入输出都可见,出问题好查。3.3 我的独家踩坑:在某模型上把|写成根本不对有次我图省事,把竖线|写成了逗号,链瞬间断成三段,前一个组件根本没接上。报错信息指向chain不是可调用对象,我第一次看懵了。查半天才明白,LCEL全靠|这个管道符把Runnable串起来,写成分号或逗号都不行,必须是真的管道语义。修法是回归chain prompt | llm | parser这一行,数据才顺起来。给所有入门的朋友一句,看到链断了先查竖线有没有写对。3.4 Analog:传统命令式 与 LCEL管道的对比下面的表帮你把两种写法对应起来,术语和时间复杂度也一并对齐。对比维度传统命令式(手写SDK)LCEL声明式管道写法本质每一步结果赋给变量再往下传用竖线组件复用每场景手写一遍改一处动全身组件独立同一解析器多链复用流式能力自己要写for循环分批取链自带 stream 方法直接吐字批量处理手写并发循环内置 batch 方法统一批处理调试溯源靠print逐步打印链自带每步的输入输出追踪新组件扩展自己写封装类实现 Runnable 即可无缝接入管道上手成本界面简单但扩展费劲竖线符号有学习成本但一劳永逸四、环境配置与落地建议写完代码,环境这关不能省。LangChain绑定模型的方式很灵活,可以默认全局配置,也可以在实例化时显式传参。4.1 推荐的环境管理方式我强烈建议把密钥和模型名放环境变量,用工程目录下的.env管理,再用dotenv加载。代码里只读os.getenv,不写死任何值。这样本地、测试、生产三套环境用一个脚本切换,还避免密钥误提交。.env记得进.gitignore。4.2 BaseURL与本地模型如果你接的是vLLM或Ollama这类本地服务,ChatOpenAI还支持openai_base_url参数指向本地端口,接口和OpenAI兼容塀。这一特性让LangChain一套代码既能跑云端也能跑本地,是很多离线项目的救命点。4.3 什么时候别硬上LangChain也如实说一句,极简单次调用,换我自己会直接裸调SDK,LangChain的模板和依赖是多余的负担。但要是有多轮、多工具、多来源文档这些复杂编排,不用LangChain只会越写越乱。选不选,取决于你要不要那套框架级的编排能力。五、本专栏 vs 公开零散资料LangChain资料多到看不过来,但有大片是旧版本或演示向。对比一下有专栏带路的差距。对比维度本专栏手把手带练公开零散教程版本适配按langchain-core与langchain-openai新拆分讲大量0.1前老课文API对不上串联实战完整LCEL可运行代码加预期输出多为API截图或理论堆砌踩坑清单独家踩坑可复现还原搜得到但不系统不完整落地体系从环境到解析到复用一条龙点状知识难以拼成工程持续更新逐篇跟主流演进修订发布即过时的占多数同样的时间,自己翻公开零散资料至少三倍于专栏的门票钱,还不一定拼得出完整工程能力。原价¥99,限时¥59.90,买别人踩过的坑换你几倍时间,这笔账很划算。六、五大要点总结一句话收住这次内容。LangChain用一个竖线|把LLM应用从命令式变成声明式,组件解耦和LCEL是这个框架最值钱的资产。装对版本,搭好环境,用ChatPromptTemplate加ChatOpenAI加StrOutputParser拼一条最短可跑链,你就迈进了LangChain的大门。后面你会看到,这条链还能加记忆、加工具、加检索,长成完整的Agent。相关推荐46 LCEL链式调用:Runnable与流式处理47 LangChain Tools:工具集成与自定义开发35 工具设计:从函数声明到Agent调用立即订阅想让LangChain、Agent、RAG这些框架从看过变成能用,跟着这套专栏一章一章动手就是最稳的路。原价¥99,限时¥59.90,一顿饭钱买一路从Prompt到Agent的落地体系。写代码常见误区我都替我踩过了,交给你的是能直接跑起来的完整代码和独家避坑经验。订阅本专栏,我们下一节在LCEL的管道里见。