难度：⭐☆☆☆☆ | 重要度：★★★★★ | 预计时长：30 分钟

---

一、LangChain 到底是什么？（核心定位）

LangChain 是一个大模型应用开发框架，专门解决 “如何基于大模型快速搭建业务应用” 的问题。

• 核心价值：封装了大模型开发的通用能力，让你不用重复造轮子，专注业务逻辑
• 适用场景：RAG 检索增强、智能对话机器人、Agent 代理、工具调用等
• 优势：跨模型兼容、组件化设计、生态丰富、社区活跃

---

二、LangChain 核心架构（4 大模块）

LangChain 的架构遵循模块化、可组合的设计，所有应用都由这 4 个核心模块搭建而成：

1. Models（模型层）

负责对接不同的大模型服务，提供统一的调用接口，是整个框架的 “大脑”。

• 分类：
  • LLM：文本补全模型（如 GPT-3.5-turbo-instruct、text-davinci-003）
  • ChatModels：对话模型（如 GPT-3.5/4、通义千问、文心一言）
  • Embeddings：嵌入模型（用于文本向量化，是 RAG 的核心）
• 特点：同一套代码，无缝切换不同模型，业务代码不用改

2. Prompts（提示词层）

负责管理、构建和优化提示词，解决 “提示词硬编码、多场景复用” 的问题。

• 核心组件：
  • PromptTemplate：通用提示词模板，支持变量占位符（{变量名}）
  • ChatPromptTemplate：对话专用模板，支持系统消息、用户消息、AI 消息的拼接
  • FewShotPromptTemplate：少样本提示词模板，可快速构建示例驱动的提示词
• 价值：提示词与业务代码解耦，支持动态拼接、版本管理

3. Chains（链层）

负责将多个组件串联成完整的业务流程，实现 “模型 + 提示词 + 工具” 的流水线执行。

• 核心逻辑：把 “模型调用、提示词生成、工具调用、数据处理” 等步骤，按顺序串成一条链，一步执行
• 常用链：
  • LLMChain：最基础的链，模型 + 提示词模板的组合
  • SequentialChain：顺序链，多个链按顺序执行，前一个链的输出作为后一个链的输入
  • RetrievalQAChain：RAG 专用链，实现 “检索 + 问答” 的完整流程

4. Agents（代理层）

负责让大模型具备 “自主决策、工具调用、任务拆解” 的能力，是 LangChain 最强大的模块之一。

• 核心组件：
  • Agent：决策主体，根据用户输入判断下一步该做什么
  • Tools：工具集合，给大模型调用的能力（如搜索引擎、计算器、数据库查询）
  • Toolkits：工具包，封装了特定场景的工具集合（如数据库工具包、GitHub 工具包）
  • Executor：代理执行器，负责执行 Agent 的决策，循环直到任务完成
• 价值：让大模型从 “只会生成文本” 升级为 “能解决复杂多步骤任务” 的智能体

---

三、LangChain 常用组件一览（面试高频）

表格

组件	核心作用	典型应用场景
Document	文档对象，封装文本内容和元数据	文档加载、文本分割
DocumentLoader	文档加载器，从不同来源加载文档	加载 PDF、Word、网页、数据库数据
TextSplitter	文本分割器，将长文本拆分成小块	解决大模型上下文窗口限制
VectorStore	向量数据库接口，提供统一的存储 / 检索方法	RAG 知识库构建
Retriever	检索器，从向量库中召回相关文档	RAG 问答的召回环节
Callbacks	回调函数，监听链 / 代理的执行过程	日志记录、监控、调试
Memory	记忆模块，存储对话历史	多轮对话机器人

---

四、基础代码示例（可直接运行）

python

运行

# 1. 安装依赖
# pip install langchain langchain-openai python-dotenv

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from dotenv import load_dotenv
import os

# 2. 加载环境变量（你的OpenAI Key）
load_dotenv()
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key=os.getenv("OPENAI_API_KEY"))

# 3. 构建提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的前端开发专家，擅长用通俗的语言解释技术问题。"),
    ("user", "请解释一下：{question}")
])

# 4. 构建链（模板 → 模型 → 输出解析器）
chain = prompt | llm | StrOutputParser()

# 5. 执行链
response = chain.invoke({"question": "什么是Vue3的组合式API？"})
print(response)

---

📝 随堂小测（5 题，检验学习效果）

1. （单选题）以下哪个不是 LangChain 的核心模块？（ ）A. Models B. Prompts C. Chains D. Database E. Agents

2. （判断题）LangChain 只能对接 OpenAI 的大模型，不能使用国内模型（如通义千问）。（ ）

3. （填空题）LangChain 中用于文本向量化、构建 RAG 知识库的模型类型是 ______。

4. （简答题）简述 Chain 在 LangChain 中的核心作用。

5. （代码题）请补全下面的代码，实现一个基础的 LLMChain，接收用户输入的主题，生成一段 50 字以内的简介。

   python

   运行

   from langchain_core.prompts import PromptTemplate
   from langchain_openai import ChatOpenAI
   from langchain.chains import LLMChain
   
   llm = ChatOpenAI(model="gpt-3.5-turbo")
   prompt = PromptTemplate(
       input_variables=["topic"],
       template="请用50字以内介绍一下：{topic}"
   )
   # 补全代码，构建并执行 LLMChain