在AI应用开发领域，LangChain正以每周10万+下载量的势头成为最热门框架。本文将从零开始，带你掌握如何用LangChain快速构建智能客服、论文分析、数据分析三大实用AI工具，即使没有机器学习背景也能轻松上手！

1、什么是LangChain

 LangChain 诞生于 2022 年，是一个用于开发由大型语言模型（LLMs）驱动的应用程序的强大框架。

它如同 “超级胶水”，可将大型语言模型与各类外部工具、数据相连，助力开发者轻松构建复杂智能应用。

相较于普通 LLM 应用，LangChain 具备以下优势：

• 支持多步骤任务：可处理复杂的任务流程。

• 具备记忆管理能力：例如在构建聊天机器人时，能记住之前的对话内容，实现更连贯的交互。

• 可集成外部工具：能调用外部搜索 API 获取最新信息，以此回答问题，大大拓展语言模型的应用边界。

2、核心概念与组件

1. Models（模型层）：这是 LangChain 与不同大型语言模型对接的模块，无论是 OpenAI 的 GPT 系列、Anthropic 的 Claude，还是 Hugging Face 上的众多开源模型，都能通过统一的接口接入。开发者可以根据需求灵活切换模型，对比不同模型在参数（如 temperature、max_tokens 等）设置下的输出效果。比如，在创作创意写作任务时，适当提高 temperature 值（如设置为 0.8 - 1.0），可以让生成的文本更加富有创意和多样性；而在处理对准确性要求较高的任务，如法律咨询时，则可降低 temperature 值（如设置为 0.2 - 0.4），使输出更准确可靠。

2. Chains（任务链）：它的作用是将多个步骤串联成完整的任务流程，就像把一颗颗珠子串成一条项链。比如 SimpleSequentialChain 可以按顺序串联多个 LLM 调用，实现复杂的逻辑处理。例如，在进行数据分析时，先调用一个链对数据进行清洗，然后再调用另一个链进行统计分析，最后生成报告，每个步骤都由不同的链来完成，通过 Chains 将这些步骤有序地组织起来。开发者还可以自定义链，以满足特定业务逻辑的需求。

3. Agents（智能代理）：智能代理能够动态地调用各种工具，如搜索 API、数据库等，以完成复杂的任务。它就像是一个聪明的助手，能够根据任务的需要自动选择合适的工具。比如在构建一个天气查询机器人时，Agents 可以调用天气查询 API 获取实时天气信息，然后再结合语言模型生成自然流畅的回答返回给用户。它还可以使用预置工具，如 Google 搜索、Python REPL 等，为用户提供更丰富的服务。

4. Memory（记忆管理）：Memory 模块负责管理对话历史与上下文，使得模型在多轮对话中能够 “记住” 之前的交流内容，实现更加自然和智能的交互。例如，在聊天机器人中，使用 ConversationBufferMemory 可以记录对话历史，当用户询问 “它的价格是多少” 时，即使之前没有明确提及 “它” 具体指代什么，但如果对话历史中有相关信息，模型就能根据记忆理解用户的意图并准确回答。

5. Indexes（数据索引）：Indexes 主要负责连接外部数据，如本地文档（PDF/TXT 等格式）、数据库等。通过将文档加载并构建向量数据库，能够实现基于文档的高效问答系统。例如，在企业内部知识库中，员工上传的大量文档可以通过 Indexes 模块进行索引，当其他员工查询相关问题时，系统能快速检索到相关文档并给出准确回答。

3、LangChain的应用场景

一、智能问答与知识检索

利用 LangChain 连接知识库（如文档、数据库、网页等），让 LLM 基于特定领域知识回答问题，避免“幻觉”（生成错误信息）。

• 企业内部知识库问答：例如连接公司规章制度、产品手册等文档，员工或客户可快速查询相关信息（如“某产品的保修政策是什么？”）。

• 垂直领域问答系统：如医疗领域连接医学文献，为患者或医生提供疾病知识解答；法律领域结合法规库，辅助律师查询条款。

• 个人知识管理：整合个人笔记、邮件、电子书等，实现智能化检索和总结（如“上周会议中提到的项目截止日期是哪天？”）。

二、文本生成与创作辅助

借助 LLM 的生成能力，结合 LangChain 的工具调用和模板功能，提升文本创作效率。

• 内容自动化生成：自动生成新闻稿、产品描述、邮件模板、社交媒体文案等，支持根据关键词或大纲扩展内容。

• 写作辅助工具：为作者提供灵感、润色文字、调整文风（如从正式转为口语化），甚至生成小说情节、诗歌等创意内容。

• 多语言翻译与本地化：结合知识库中的专业术语库，实现精准的跨语言翻译，尤其适用于技术文档、法律文本等领域。

三、自动化工作流与任务处理

通过 LangChain 的“链（Chains）”和“代理（Agents）”功能，将 LLM 与外部工具（如API、数据库、办公软件）结合，实现复杂任务的自动化。

• 数据分析与报告生成：让 LLM 调用Excel、Python数据分析库（如Pandas），自动处理数据、生成可视化图表，并撰写分析报告（如“分析近3个月的销售数据并总结趋势”）。

• 邮件与消息自动处理：自动分类邮件、提取关键信息（如会议时间、待办事项），甚至生成回复草稿（如“自动回复客户关于订单进度的咨询”）。

• 日程与项目管理：结合日历工具，自动安排会议时间、提醒待办任务，或根据项目文档生成进度报告（如“汇总本周项目各模块的完成情况”）。

四、客服与用户交互优化

构建智能化的客服系统，提升用户体验和服务效率。

• 智能客服机器人：通过对话链（ConversationChain）实现多轮对话，理解用户意图并提供精准解答，复杂问题自动转接人工，同时记录对话历史用于优化。

• 用户需求挖掘：分析用户与客服的对话记录，提取高频问题、潜在需求（如“统计用户对某功能的反馈并生成改进建议”）。

• 个性化推荐：结合用户历史交互数据和产品知识库，为用户推荐合适的产品或服务（如“根据用户咨询的手机型号推荐配件”）。

五、教育与培训领域

辅助教学过程，提供个性化学习支持。

• 智能辅导系统：根据学生的学习资料（如教材、错题集），生成针对性的练习题、知识点讲解，甚至模拟答疑（如“解释微积分中的拉格朗日中值定理”）。

• 学习内容生成：自动生成课程大纲、课件摘要、考点总结，或根据教学目标设计案例分析题。

• 语言学习助手：通过对话练习、语法纠错、词汇拓展等功能，辅助用户学习外语（如“用英语模拟餐厅点餐场景并纠正语法错误”）。

六、科研与学术辅助

帮助科研人员高效处理文献、分析数据和生成成果。

• 文献综述与分析：批量处理学术论文，提取研究热点、方法、结论，生成综述摘要（如“总结近5年人工智能在医学影像领域的研究进展”）。

• 实验数据处理：调用科研工具（如MATLAB、SPSS）分析实验数据，生成结论性文本，或根据数据推测研究假设。

• 论文写作辅助：检查论文逻辑、优化语言表达、自动生成参考文献格式（如APA、IEEE）。

七、智能代理（AI Agents）开发

LangChain 的代理功能允许 LLM 根据目标自主决策、调用工具，实现“自主行动”。

• 网络信息获取与整合：代理可自动搜索网页、抓取数据（如“收集今天的股市行情并分析影响因素”），并整理成结构化报告。

• 代码开发辅助：代理调用代码解释器（Code Interpreter），自动编写、调试简单代码（如“用Python写一个计算斐波那契数列的函数”），或根据需求生成SQL查询语句。

• 生活服务代理：如自动查询天气、预订机票、规划旅行路线，甚至结合外卖API下单（如“帮我订一份附近评分最高的披萨”）。

4、Models组件

LangChain目前支持三种模型类型：LLMs、Chat Models(聊天模型)、Embeddings Models(嵌入模型）

• LLMs => 大语言模型接收文本字符作为输入，返回的也是文本字符。

• 聊天模型 => 基于LLMs, 不同的是它接收聊天消息(一种特定格式的数据)作为输入,返回的也是聊天消息。

• 文本嵌入模型 => 文本嵌入模型接收文本作为输入, 返回的是浮点数列表

• 创建应用,得到两个KEY(API Key,Secret Key)

4.1 LLMs (大语言模型) 

importos
fromlangchain_community.llmsimportQianfanLLMEndpoint
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
llm=QianfanLLMEndpoint(model="ERNIE-Bot-turbo")
res=llm("给我讲一下小马过河的故事")
print(res)

4.2 Chat Models(聊天模型 ）

importos
fromlangchain_community.chat_modelsimportQianfanChatEndpoint
fromlangchain_core.messagesimportHumanMessage
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
chat=QianfanChatEndpoint(model="ERNIE-Bot-turbo")
messages= [
HumanMessage(content="给我讲一下小马过河的故事")
]
res=chat(messages)
print(res)

4.3 Embeddings Models(嵌入模型） 

importos
fromlangchain_community.embeddingsimportQianfanEmbeddingsEndpoint
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
embed=QianfanEmbeddingsEndpoint()
res1=embed.embed_query('给我讲一下小马过河的故事')
print(res1)
# 打印结果：[0.039765920490026474, 0.02263435162603855, -0.01889650709927082,
...., ]
# res2 = embed.embed_documents(['这是第一个测试文档', '这是第二个测试文档'])
# print(res2)
# 打印结果：[[0.03977284952998161, 0.022625437006354332, -0.01892162673175335,
...., ]]

5、Prompts组件

Prompt是指当用户输入信息给模型时加入的提示，这个提示的形式可以是zero-shot或者 fewshot等方式，目的是让模型理解更为复杂的业务场景以便更好的解决问题。

提示模板：如果你有了一个起作用的提示，你可能想把它作为一个模板用于解决其他问题，LangChain就提供了PromptTemplates组件，它可以帮助你更方便的构建提示。

5.1 zero-shot提示方式 

importos
fromlangchain_core.promptsimportPromptTemplate
fromlangchain_community.llmsimportQianfanLLMEndpoint
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
# 定义模板
template="给我出一道关于{subject}的题目"
prompt=PromptTemplate(input_variables=["subject"], template=template)
prompt_text=prompt.format(subject="语文")
llm=QianfanLLMEndpoint()
result=llm(prompt_text)
print(result)

5.2 few-shot提示方式 

importos
fromlangchain_core.promptsimportPromptTemplate
fromlangchain_core.promptsimportFewShotPromptTemplate
fromlangchain_community.llmsimportQianfanLLMEndpoint
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
examples= [ {"word": "大", "antonym": "小"},
{"word": "上", "antonym": "下"},
{"word": "左", "antonym": "右"},
]
example_template="""
单词: {word}
反义词: {antonym}\\n
"""
# 实例化PromptTemplate对象
example_prompt=PromptTemplate(input_variables=["word",
"antonym"],template=example_template,)
# 实例化FewShotPromptTemplates
few_shot_prompt=FewShotPromptTemplate(
examples=examples, #模型训练的案例
example_prompt=example_prompt, #样例的模板
prefix="给出每个单词的反义词", #提示的前缀
suffix="单词: {input}\\n反义词:", #提示的后缀
input_variables=["input"], #在few-shot当中定义的变量
example_separator="\\n", #样例之间都使用换行进行隔开
)
# 格式化文本
prompt_text=few_shot_prompt.format(input="粗")
llm=QianfanLLMEndpoint()
print(llm(prompt_text))

6、 Chains组件

importos
fromlangchain_community.llmsimportQianfanLLMEndpoint
fromlangchain_core.promptsimportPromptTemplate
fromlangchain.chainsimportLLMChain
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
# 1. 定义模板
template="给我出一道关于小学三年级{subject}的题目"
prompt=PromptTemplate(input_variables=["subject"], template=template)
# 2. 链条
llm=QianfanLLMEndpoint()
chain=LLMChain(llm=llm, prompt=prompt)
# 3. 执行Chain
result=chain.run("体育")
print(f'result-->{result}')

如果你想将第一个模型输出的结果，直接作为第二个模型的输入，还可以使用LangChain的SimpleSequentialChain, 代码如下：

importos
fromlangchain_core.promptsimportPromptTemplate
fromlangchain_community.llmsimportQianfanLLMEndpoint
fromlangchain.chainsimportLLMChain, SimpleSequentialChain
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
llm=QianfanLLMEndpoint()
# 创建第一条链
template="给我出一道关于小学一年级{subject}的题目"
subject_prompt=PromptTemplate(input_variables=["subject"], template=template,
)
first_chain=LLMChain(llm=llm, prompt=subject_prompt)
# 创建第二条链
template="给我出一道关于小学二年级{subject6}的题目"
second_prompt=PromptTemplate(input_variables=["subject6"], template=template)
second_chain=LLMChain(llm=llm, prompt=second_prompt)
# 链接两条链，verbose=True可以显示推理过程
overall_chain=SimpleSequentialChain(chains=[first_chain, second_chain],
verbose=True) #verbose=True可以显示链条的推理过程
# 执行链，只需要传入第一个参数
catchphrase=overall_chain.run("数学")
print(catchphrase)

7、Agents组件

在 LangChain 中 Agents 的作用就是根据用户的需求，来访问一些第三方工具(比如：搜索引擎 或者 数据库)，进而来解决相关需求问题。

为什么要借助第三方库?

• 因为大模型虽然非常强大，但是也具备一定的局限性，比如不能回答实时信息、处理数学逻辑问题仍然非常的初级等等。因此，可以借助第三方工具来辅助大模型的应用。

Agent代理

• 制定计划和思考下一步需要采取的行动

• 负责控制整段代码的逻辑和执行，代理暴露了一个接口，用来接收用户输入， 并返回AgentAction或AgentFinish。

Toolkit工具包

• 一些集成好了代理包，比如 create_csv_agent 可以使用模型解读 csv文件。

Tool工具

• 解决问题的工具

• 第三方服务的集成，比如计算器、网络 搜索（谷歌、bing）等等

AgentExecutor代理执行器

• 它将代理和工具列表包装在一起,负责迭 代运行代理的循环，直到满足停止的标准。

# 现在我们实现一个使用代理的例子：假设我们想查询一下中国目前有多少人口？我们可以使用多个代理工
具，让Agents选择执行。
# 需要安装依赖库 pip install wikipedia
# 加载内置工具 llm-math 和 wikipedia
importos
fromlangchain_community.llmsimportQianfanLLMEndpoint
fromlangchain.agentsimportload_tools, initialize_agent, AgentType
fromlangchain_core.promptsimportPromptTemplate
os.environ['QIANFAN_AK'] ="换成你自己的API KEY"
os.environ['QIANFAN_SK'] ="换成你自己的SECRET KEY"
llm=QianfanLLMEndpoint(model="ChatGLM2-6B-32K")
tools=load_tools(["llm-math", "wikipedia"], llm=llm)
agent=initialize_agent(tools=tools,
llm=llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True)
prompt_template="那个国家面积最大?"
prompt=PromptTemplate.from_template(prompt_template)
result=agent.run(prompt)
print(result)

AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以点扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓