一、LangChain 宏观定义LangChain 是大模型与实际AI应用之间的桥梁。裸调用API淌水过河需手动处理底层细节开发繁琐。使用LangChain走桥过河封装通用能力消息管理、工具调用等降低开发成本。二、大模型核心概念2.1 模型海量数据中总结规律的程序/函数传统模型多单任务专精。2.2 大语言模型LLM基于万亿级参数神经网络以自监督/半监督方式训练的通用语言模型。大规模神经网络海量参数模拟人脑神经元动态调整权重习得能力。自监督学习无标准答案通过文本掩码、上下文预测自学。半监督学习少量标注数据打底海量无标注数据自我迭代。核心能力基于上下文预测后续文本输出人类可读语言。2.3 大模型定位大模型AI大脑自带通用知识LangChain补充实时信息、外部工具、记忆、结构化输出。三、提示词工程核心核心原则严格限定范围、角色、规则、格式消除模糊输出。CO-STAR 原则Context上下文、Objective目标、Step步骤、Tone口吻、Audience受众、Response输出格式少样本提示示例标准答案复刻逻辑。思维链完整推理步骤示例引导分步思考。零样本结尾加“请一步一步写出思考过程”。自我批评迭代要求AI按标准自查修正。四、大模型接入方式API-Key调用轻量化、开箱即用隐私性弱。云端SaaS SDK接入适配简单业务。本地私有化部署推荐隐私/复杂场景突破上下文限制、支持私有数据、管控合规性。五、LangChain 核心代码实战含Python语法解释5.1 基础消息模型调用核心消息类型SystemMessage系统角色、HumanMessage用户请求、AIMessage模型响应fromlangchain_core.messagesimportHumanMessage,SystemMessagefromlangchain_openaiimportChatOpenAIfromlangchain_core.output_parsersimportStrOutputParser# 初始化模型Python关键字参数config配置推荐环境变量避免硬编码modelChatOpenAI(modelqwen-turbo,# 模型名称Python字符串参数# temperature随机性0~2Python浮点型越高越发散)# 消息列表Python列表存储消息对象messages[SystemMessage(将英文翻译成通顺中文),HumanMessage(hi!)]# 调用解析Python对象方法调用resultmodel.invoke(messages)# invoke方法传入消息列表获取响应parserStrOutputParser()# 实例化解析器Python类实例化print(parser.invoke(result))# 解析响应并打印Python打印函数5.2 LCEL 链式调用(LangChain Expression Language)借鉴Linux管道思想| 运算符重载串联可运行组件Python运算符重载语法# 链式简写| 管道符串联模型与解析器chainmodel|parser retchain.invoke(messages)# 链式调用简化代码# 等价写法Python对象构造两种方式fromlangchain_core.runnablesimportRunnableSequence chain1RunnableSequence(firstmodel,lastparser)# 关键字参数构造chain2model.pipe(parser)# 实例方法调用5.3 统一模型初始化 init_chat_model统一入口创建多厂商模型支持运行时动态配置参数fromlangchain.chat_modelsimportinit_chat_model# 初始化可配置模型Python关键字参数指定可配置字段config_modelinit_chat_model(modeldeepseek-chat,temperature1.0,configurable_fields[model,temperature],# 可动态修改的参数Python列表config_prefixllm)# 调用时临时修改参数Python嵌套字典传参resconfig_model.invoke(你好,config{configurable:{llm_temperature:0.3}})六、LangChain 工具系统6.1 工具作用打破大模型知识截止、封闭无法联网的局限扩展外部能力。6.2 自定义工具开发含三种Schema参数描述方案完整代码核心三要素函数类型注解标准文档注释自动生成工具Schema。方案1基础tool装饰器 Google风格文档注释简单工具首选Python函数注解指定参数/返回值类型、文档字符串说明函数用途与参数fromlangchain_core.toolsimporttool# tool装饰器将普通Python函数转为LangChain工具tooldefmultiply(a:int,b:int)-int:# 类型注解a、b为int返回值为intPython语法 multiply two integers Args: a: First Integer b: Second Integer returna*b# 工具调用Python字典传参key对应函数参数名print(multiply.invoke({a:2,b:3}))print(multiply.name)# 查看工具名称工具对象属性print(multiply.description)# 查看工具描述来自文档注释print(multiply.args)# 查看工具参数自动解析方案2Pydantic BaseModel Field复杂结构化参数Python类继承继承BaseModel、Field校验指定参数描述与约束frompydanticimportBaseModel,Fieldfromlangchain_core.toolsimporttool# Pydantic输入模型Python类继承定义参数结构classmultiplyInput(BaseModel):this function multiply two number# Field指定参数描述...表示必填Pydantic语法a:intField(...,descriptionfirst arg)b:intField(...,descriptionsecond arg)# 绑定Schema通过args_schema参数关联Pydantic模型tool(args_schemamultiplyInput)defmultiply(a,b)-int:# 无需重复写类型注解由Schema提供returna*b方案3Annotated Field无额外类轻量化Python类型注解扩展Annotated直接为参数添加描述无需额外定义类fromtyping_extensionsimportAnnotatedfromlangchain_core.toolsimporttoolfrompydanticimportField# Annotated为参数添加类型描述Python类型注解扩展tooldefadd(a:Annotated[int,Field(...,descriptionFirst Arg)],b:Annotated[int,Field(...,descriptionSecond Arg)])-int:add two integerreturnab6.3 工具绑定与调用流程# 工具绑定Python列表传入工具bind_tools方法绑定tools[add,multiply]model_with_toolmodel.bind_tools(tools)# 构造消息Python列表存储消息msg_list[HumanMessage(100*20等于多少)]ai_msgmodel_with_tool.invoke(msg_list)# 遍历执行工具Python for循环遍历tool_callsforcallinai_msg.tool_calls:# 字典映射根据工具名称获取对应工具Python字典取值tool{multiply:multiply}[call[name]]tool_restool.invoke(call)# 执行工具msg_list.append(tool_res)# 结果加入消息列表# 最终整合回答final_resmodel_with_tool.invoke(msg_list)这里工作可以分成三部分将工具绑定到模型将用户请求交给绑定后的模型由此解析出调用工具及相应参数。这个过程中并不执行工具只是为真正的工具调用做准备这也是为什么 AIMessage 中 content 为空现在我们有了 LLM 提供的工具调用信息接下来在本地调用工具。把 LLM 返回的调用信息交给包装好的工具就完成调用了。返回的结果是 ToolMessage包含调用结果等接下来将 ToolMessage 和最初的请求再交给 LLM由 LLM 组织成最后的回答七、结构化输出通过with_structured_output强制约束输出格式支持4种方式适配业务序列化需求。7.1 Pydantic 嵌套模型最常用支持嵌套frompydanticimportBaseModel,FieldfromtypingimportList,Optional# Python类型提示List表示列表Optional表示可选# 嵌套Pydantic模型Python类继承支持嵌套定义classJoke(BaseModel):给用户讲一个笑话 setup:strField(description笑话的开头)# str类型必填punchline:strField(description笑话的笑点)# Optional[int]可选int类型默认Nonerating:Optional[int]Field(defaultNone,description笑话的评分(1~10))classJokes(BaseModel):给用户提供的几个笑话# List[Joke]列表类型元素为Joke模型Python类型提示jokes:List[Joke]Field(description笑话的合集)# 绑定结构化输出传入Pydantic模型指定输出格式model_structured_outputmodel.with_structured_output(Jokes)message[HumanMessage(分别讲一个关于唱歌和跳舞的笑话)]resultmodel_structured_output.invoke(message)print(result)# 直接返回模型对象可通过属性取值Python对象属性访问7.2 TypedDict 结构化轻量字典类型约束fromtyping_extensionsimportTypedDict,AnnotatedfrompydanticimportField# TypedDict轻量字典类型约束Python字典类型提示classJoke(TypedDict):# Annotated为字典键添加描述无需实例化直接约束类型setupAnnotated[str,笑话的开头]punchlineAnnotated[str,笑话的笑点]ratingAnnotated[Optional[int],Field(defaultNone,description笑点评分(1~10))]# 绑定结构化输出include_rawTrue返回原始输出model_structured_outputmodel.with_structured_output(Joke,include_rawTrue)message[HumanMessage(讲一个关于跳舞的笑话)]resultmodel_structured_output.invoke(message)7.3 JSON Schema 直接定义自定义JSON格式# Python字典定义JSON Schema指定字段类型、描述、必填项json_schema{title:joke,description:给用户讲一个笑话。,type:object,properties:{setup:{type:string,description:这个笑话的开头,},punchline:{type:string,description:这个笑话的妙语,},rating:{type:integer,description:从1到10分给这个笑话评分,default:None,},},required:[setup,punchline],# 必填字段Python列表}# 绑定JSON Schemamodel_structured_outputmodel.with_structured_output(json_schema)message[HumanMessage(讲一个关于跳舞的笑话)]resultmodel_structured_output.invoke(message)7.4 Union 联合类型多格式兼容fromtypingimportUnion# Python联合类型支持多种类型兼容classStandard(BaseModel):# Union[Dialog, Joke]输出可为Dialog或Joke类型Python联合类型提示output:Annotated[Union[Dialog,Joke],Field(description最后输出内容的要求)]八、流式传输Python迭代器/协程/生成器8.1 基础流式 stream同步迭代器chunks[]# for循环遍历迭代器Python迭代器语法forchunkinmodel.stream(讲一个长笑话):chunks.append(chunk)# 收集所有块Python列表append方法print(chunk.content,end,flushTrue)# 实时打印flushTrue刷新缓冲区8.2 异步流式 astream协程高并发importasyncio# Python异步模块# 异步函数async def定义Python协程语法asyncdefasync_output():# async for遍历异步迭代器Python异步迭代语法asyncforchunkinmodel.astream(讲一个言情小故事):print(chunk.content,end,flushTrue)asyncio.run(async_output())# 运行协程Python异步运行方法8.3 自定义流式解析器生成器yieldfromtypingimportIterator# Python迭代器类型提示# 自定义解析器生成器函数yield关键字生成迭代器Python生成器语法defdefined_parser(input:Iterator[str])-Iterator[str]:bufferforchunkininput:bufferchunk# 按中文标点切割Python字符串操作index找下标、切片whileinbufferor。inbuffer:ifinbuffer:stop_indexbuffer.index()yieldbuffer[:stop_index].strip()# yield生成每一块内容bufferbuffer[stop_index1:]elif。inbuffer:stop_indexbuffer.index(。)yieldbuffer[:stop_index].strip()bufferbuffer[stop_index1:]yieldbuffer.strip()# 生成最后一块内容# 链式调用自定义解析器parserStrOutputParser()chainmodel|parser|defined_parserforchunkinchain.stream(写一首关于爱情的诗歌):print(chunk)九、关键优化建议密钥管理API_KEY、BASE_URL存入环境变量/.env禁止硬编码。参数调优temperature0严谨场景0.7~1.2创意场景。工具开发注释清晰提升调用准确率。生产优先结构化输出工具调用本地部署保障隐私与稳定。