LangChain实战入门：手把手教你构建AI应用
LangChain实战入门：手把手教你构建AI应用
你是否曾惊叹于ChatGPT的强大，却又苦恼于如何将其能力集成到自己的业务系统中？或者，你是否希望构建一个能联网搜索、处理私人文档的智能助手？这正是LangChain要解决的核心问题。作为一个开源框架，LangChain简化了大型语言模型应用的开发流程，让你能像搭积木一样，组合模型、数据和工具，构建功能强大的AI应用。本教程将基于我们多次项目部署的经验，带你从零开始，掌握LangChain的核心用法。
准备工作：搭建你的开发环境
在开始构建之前，你需要准备好“工具箱”。LangChain支持Python和JavaScript，但Python生态更为成熟。以下是具体步骤：
- 安装Python：确保你的电脑安装了Python 3.8或更高版本。你可以从来源: Python官网下载最新版本。
- 创建虚拟环境：这是一个好习惯，能避免包版本冲突。在命令行中运行 python -m venv langchain_env，然后激活它。
- 安装核心库：在激活的虚拟环境中，执行 pip install langchain openai。这里我们以OpenAI的模型为例，你还需要准备一个有效的OpenAI API密钥。
- 获取API密钥：前往OpenAI平台创建密钥。请务必妥善保管，不要将其直接硬编码在代码中。
核心实战：构建你的第一个AI链
我们从一个经典场景开始：创建一个能根据公司名称生成简短宣传口号的AI应用。这个过程将清晰地展示LangChain的“链式”思想。
- 初始化语言模型：首先，导入必要的模块，并用你的API密钥设置模型。我们使用环境变量来管理密钥，这是保证安全的最佳实践。
import os from langchain.llms import OpenAI os.environ["OPENAI_API_KEY"] = "你的密钥" llm = OpenAI(temperature=0.9) # temperature控制创造性
- 创建提示模板：直接向模型提问“为XX公司写口号”可行，但不够灵活。LangChain的提示模板能让你动态生成提示。
from langchain.prompts import PromptTemplate prompt = PromptTemplate( input_variables=["company"], template="你是一家顶级营销公司的AI助手。请为{company}创作一句朗朗上口的品牌宣传口号。" ) - 构建并运行链：现在，将模型和提示模板“链”在一起。这是LangChain命名的由来。
from langchain.chains import LLMChain chain = LLMChain(llm=llm, prompt=prompt) result = chain.run("一家专注于环保材料的科技公司") print(result)运行后，你可能会得到类似“绿色科技，重塑未来——为地球而创新”的结果。这个简单的链条，已经实现了业务逻辑与模型调用的分离。
进阶技巧：让AI应用更强大
基础链只是开始。在实际项目中，我们常遇到三个挑战：模型需要最新知识、要处理长文本、以及需要执行具体操作。以下是经过验证的解决方案。
1. 为模型装上“搜索引擎”
语言模型的知识有截止日期。通过“代理”和“工具”，你可以让模型主动获取实时信息。例如，集成SerpAPI进行网络搜索：
from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
tools = load_tools(["serpapi"], llm=llm) # 需单独注册SerpAPI
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
agent.run("查询今天北京到上海的机票最新价格趋势，并总结。")
模型会自主决定先搜索，再分析结果。verbose=True参数能让你看到其思考过程，这在调试时至关重要。
2. 处理超长文档
模型有上下文长度限制。处理长PDF或文章时，你需要“文本分割器”和“向量数据库”。流程是：分割文本 -> 嵌入为向量 -> 存储 -> 检索相关片段。以下是简化示例：
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
# 假设你有一段长文本 `long_text`
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_text(long_text)
# 创建向量数据库
embeddings = OpenAIEmbeddings()
docsearch = Chroma.from_texts(texts, embeddings)
# 提问
docs = docsearch.similarity_search("文档中提到了哪些关键数据？")
print(docs[0].page_content)
我们常在客户项目中推荐使用Chroma（轻量级）或Pinecone（云端托管）作为向量存储。
3. 避开常见陷阱
根据我们的部署经验，新手常踩两个坑：一是忽略token成本，二是错误设置temperature。对于持续运行的链，务必添加日志和用量监控。temperature参数并非越高越好，对于事实问答，应设置为接近0；对于创意生成，则可设为0.7-1.0。另一个关键点是错误处理，网络请求和API调用必须用try-except包裹，并为用户提供友好的降级回复。
总结与行动指南
通过本教程，你已经掌握了LangChain的核心：用链组合模型与提示，用代理赋予模型行动力，用检索处理长文本数据。LangChain的真正力量在于其模块化设计，让你能灵活替换其中的任何一个组件。现在，你可以立即行动：
- 用你的API密钥复现上面的口号生成链。
- 尝试修改提示模板，让口号风格变得严肃或幽默。
- 将一个你熟悉的本地文档（如TXT文件）加载并分割，尝试进行问答。
构建AI应用不再需要从零造轮子。LangChain提供了坚实的脚手架，而你的创意和具体业务逻辑，才是最终应用脱颖而出的关键。开始搭建吧，下一个颠覆性的AI应用也许就诞生在你的手中。