一、langchain框架及相关概念1、大语言模型LLM大语言模型的本质是基于 Transformer 架构中的解码器部分构建的生成式模型核心逻辑很简单 —— 根据上文输入的 token 序列预测下一个最可能的 token进而实现文本生成、补全等基础功能是所有 AI 生成应用的底层核心。2、chat model而 Chat Model聊天模型则是大语言模型的场景化优化版本我们日常在手机上使用的豆包、千问等智能对话工具都属于这类模型。它与基础 LLM 的核心区别在于更适配多轮对话场景具备原生的上下文记忆能力比如我们直接调用 OpenAI 的基础 API 接口时模型无法记住上一轮的对话内容每次调用都是独立的 “单次交互”但在豆包等聊天模型中我们可以连续提问、追问模型能关联历史交互信息实现连贯、自然的沟通体验这就是 Chat Model 针对对话场景的优化所在。3、langchain我们今天要重点讲的 LangChain 框架是一套专门用于开发 LLM 相关应用的开源工具集。它的核心价值就是把 “调用模型、编写提示词、解析输出结果、管理对话记忆” 等复杂且重复的开发流程拆分成一个个标准化、可复用的 “即插即用” 组件。这样一来我们无需从零造轮子就能快速搭建实用的 AI 应用高效解决开发中常见的「调用大模型但输出格式混乱」「重复编写提示词导致效率低下」「需要少样本引导模型输出符合预期结果」等痛点。二、前置准备1.1 环境搭建我使用的requirement.txt依赖aiofiles23.2.1 aiohttp3.9.1 aiosignal1.3.1 altair5.2.0 annotated-types0.6.0 anyio3.7.1 async-timeout4.0.3 attrs23.1.0 beautifulsoup44.12.2 blinker1.7.0 Brotli1.1.0 cachetools5.3.2 certifi2023.11.17 charset-normalizer3.3.2 click8.1.7 dataclasses-json0.6.3 distro1.8.0 duckduckgo-search3.9.9 exceptiongroup1.2.0 frozenlist1.4.0 gitdb4.0.11 GitPython3.1.40 greenlet3.0.1 h110.14.0 h24.1.0 hpack4.0.0 httpcore1.0.2 httpx0.25.2 hyperframe6.0.1 idna3.6 importlib-metadata6.8.0 Jinja23.1.2 jsonpatch1.33 jsonpointer2.4 jsonschema4.20.0 jsonschema-specifications2023.11.2 langchain0.1.9 langchain-community0.0.24 langchain-core0.1.26 langchain-openai0.0.7 langsmith0.1.6 lxml4.9.3 markdown-it-py3.0.0 MarkupSafe2.1.3 marshmallow3.20.1 mdurl0.1.2 multidict6.0.4 mypy-extensions1.0.0 numpy1.26.2 openai1.12.0 orjson3.9.15 packaging23.2 pandas2.1.3 Pillow10.1.0 protobuf4.25.1 pyarrow14.0.1 pydantic2.5.2 pydantic_core2.14.5 pydeck0.8.1b0 Pygments2.17.2 python-dateutil2.8.2 pytz2023.3.post1 PyYAML6.0.1 referencing0.31.1 regex2023.12.25 requests2.31.0 rich13.7.0 rpds-py0.13.2 six1.16.0 smmap5.0.1 sniffio1.3.0 socksio1.0.0 soupsieve2.5 SQLAlchemy2.0.23 streamlit1.31.1 tenacity8.2.3 tiktoken0.6.0 toml0.10.2 toolz0.12.0 tornado6.4 tqdm4.66.1 typing-inspect0.9.0 typing_extensions4.8.0 tzdata2023.3 tzlocal5.2 urllib32.1.0 validators0.22.0 wikipedia1.4.0 yarl1.9.3 zipp3.17.0这里我用以上版本的langchain作为环境演示langchain框架常见的用法。首先通过requirement.txt安装所需依赖建议使用虚拟环境避免版本冲突命令如下pip install -r requirements.txt1.2 API Key配置避坑重点申请api的操作在通过api调用模型的博客中以做介绍。本文使用阿里通义千问qwen-plus模型需先获取DashScope API Key获取地址推荐用环境变量管理避免硬编码泄露Windows右键「此电脑」→「属性」→「高级系统设置」→「环境变量」新建变量名DASHSCOPE_API_KEY值为你的API Key设置后重启IDE/终端确保环境变量生效。