欢迎使用Markdown编辑器

你好！ 这是你第一次使用# LangChain 大模型应用开发实战：从提示词工程到完整应用

引言：为什么需要一套工程化框架

过去两年里，大模型的能力边界被不断刷新，但真正让开发者头疼的从来不是"模型不够聪明"，而是"如何把模型稳定地嵌进业务系统"。直接调用模型 API 只能应付单轮问答，一旦涉及多轮记忆、私有知识库、工具调用、结构化输出这些真实需求，裸调 API 的代码会迅速变得难以维护。

LangChain 的价值恰恰在于它把"调用模型"这件看似简单、实则充满细节的事情，抽象成了一套可组合、可复用的组件体系。它之于大语言模型，类似于 Spring 之于 Java——不是替代模型，而是为模型搭建工程化的脚手架。本文不打算罗列 API 文档，而是沿着一条完整的实战路径，讲清楚核心组件如何协同工作，并给出可以直接运行的代码。

一、LangChain 到底解决了什么问题

在动手写代码之前，先厘清它解决的核心痛点。直接调用大模型 API，你会立刻撞上四堵墙：

知识滞后。模型的知识截止到训练数据的时间点，它不知道昨天发生的新闻，更不知道你公司内部的私有文档。让它回答内部制度问题，它只能一本正经地编造。

无状态。每次 API 调用都是全新的开始。你问它"我叫什么"，它回答了；下次再问，它完全忘记。这不是模型笨，而是调用机制决定的——每次请求相互独立，没有状态保持。

无法连接外部世界。模型只能"说"不能"做"。问它"现在比特币多少钱"，它只能猜测；让它算一道精确的算术题，大概率算错。

输出不稳定。同样的问题，模型可能给出不同的答案，且难以约束输出格式。

LangChain 的应对之道是"模块化组合"：把 AI 应用拆解成 Models、Prompts、Memory、Indexes、Chains、Agents 等独立组件，每个组件职责单一，再通过链式或图式编排把它们串联成完整工作流。这种设计的精妙之处在于数据流向清晰、组件职责单一——这正是优秀架构的标志。

二、环境搭建与第一次模型调用

2.1 安装与本地模型准备

对于初学者，最友好的方式是先用本地模型跑通流程，避免 API 密钥和网络问题。Ollama 是目前最流行的本地模型运行工具，一条命令即可拉起一个模型服务：

pipinstalllangchain langchain-community ollama pull qwen2.5:7b

这里有一个容易混淆的概念：ollama run是给"人"用的命令行聊天工具，而 LangChain 中的ChatOllama是给"程序"用的接口，让 Python 代码去调用本地模型。两者的调用链是：Python 程序 → LangChain(ChatOllama) → Ollama 服务 → 本地模型。

2.2 一行代码调用本地大模型

fromlangchain_community.chat_modelsimportChatOllamafromlangchain_core.messagesimportHumanMessage llm=ChatOllama(model="qwen2.5:7b",temperature=0.7)resp=llm.invoke([HumanMessage(content="用一句话解释什么是大模型")])print(resp.content)

temperature是控制随机性的关键参数：取 0 时接近贪心解码，输出几乎确定；取值越高越随机、越有创造性。对于事实性问答建议调低，对于创意生成可以调高。

三、六大核心组件精讲

3.1 Prompts：提示词模板

PromptTemplate 解决的是"LLM 输入格式化"问题，支持变量替换，能把零散的用户输入转化为模型可理解的标准化提示：

fromlangchain_core.promptsimportPromptTemplate template=PromptTemplate.from_template("你是一位{role}，请用{style}的语气回答下面的问题：\n{question}")prompt=template.format(role="资深架构师",style="简洁专业",question="什么是微服务？")``` 提示词模板的价值在于把"提示词"当作一等公民来管理。真实项目中，提示词往往需要反复迭代，如果硬编码在业务代码里，每次修改都要重新发版。把提示词抽成模板文件，配合版本管理，是工程化的第一步。### 3.2 Models：统一模型接口LangChain 通过统一的接口封装了 OpenAI、Anthropic、通义千问、DeepSeek 以及本地模型。切换模型通常只需要改一行配置，业务代码几乎不用动。这种"适配器模式"的设计，让团队可以在不同模型之间做 A/B 测试，也避免被单一厂商锁定。### 3.3 Memory：对话记忆记忆组件解决"无状态"问题。LangChain 提供了多种记忆实现：`ConversationBufferMemory` 保存全部历史，`ConversationSummaryMemory` 用摘要压缩历史，`ConversationBufferWindowMemory` 只保留最近 N 轮。选择哪种记忆策略，本质是在"信息完整度"和"Token 成本"之间做权衡。 ```pythonfromlangchain.memoryimportConversationBufferMemoryfromlangchain.chainsimportConversationChain memory=ConversationBufferMemory()chain=ConversationChain(llm=llm,memory=memory)chain.run("我叫小明")chain.run("我叫什么名字？")# 能正确回答"小明"

3.4 Indexes：文档加载与向量检索

Indexes 组件是 RAG 的基础，负责把文档加载、切分、向量化并存入向量库。核心流程是：Loader 加载文档 → TextSplitter 切分 → Embedding 向量化 → VectorStore 存储。切分策略直接影响检索质量，后面会专门讨论。

3.5 Chains：链式编排

Chain 把"提示词 + 模型 + 输出解析"封装成一个可复用的单元，多个 Chain 可以串联成复杂流程。比如"先总结文档，再根据总结写周报"就是典型的链式调用。链式编排适合流程相对固定的场景，逻辑清晰、易于调试。

3.6 Agents：智能代理

Agent 是 LangChain 中最灵活也最复杂的组件。它让模型具备"思考-行动-观察"的循环能力：模型根据任务决定调用哪个工具，观察工具返回结果，再决定下一步。这种 ReAct 模式让应用从"被动回答"升级为"主动完成任务"。

四、实战：搭建一个带记忆的知识库问答助手

把上面的组件串起来，实现一个完整的 RAG 问答助手：

fromlangchain_community.document_loadersimportTextLoaderfromlangchain.text_splitterimportRecursiveCharacterTextSplitterfromlangchain_community.vectorstoresimportChromafromlangchain_community.embeddingsimportHuggingFaceEmbeddingsfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParser# 1. 加载并切分文档loader=TextLoader("company_policy.txt")docs=loader.load()splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50)chunks=splitter.split_documents(docs)# 2. 向量化并存储embeddings=HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")vectorstore=Chroma.from_documents(chunks,embeddings)retriever=vectorstore.as_retriever(search_kwargs={"k":4})# 3. 构建提示词prompt=ChatPromptTemplate.from_template("""请基于以下资料回答问题，如果资料中没有相关信息，请明确说明不知道。 资料：{context} 问题：{question} 回答：""")# 4. 组装 RAG 链fromlangchain_core.runnablesimportRunnablePassthrough chain=({"context":retriever,"question":RunnablePassthrough()}|prompt|llm|StrOutputParser())print(chain.invoke("年假制度是怎样的？"))

这段代码虽然只有几十行，却完整覆盖了 RAG 的核心链路：文档加载、切分、向量化、检索、提示词组装、生成。理解这条链路，是理解所有企业级 RAG 系统的基础。

五、工程化落地的几个关键建议

第一，提示词要版本化。把提示词模板放到独立文件，配合 Git 管理，每次改动都能回溯。线上出问题时，能快速定位是提示词变化还是模型变化导致的。

第二，重视可观测性。生产环境一定要记录每次调用的输入输出、Token 消耗、延迟。LangSmith 这类工具可以可视化追踪链的执行过程，对排查问题帮助极大。

第三，做好降级策略。模型服务可能超时、限流、返回异常。生产系统必须有超时控制、重试机制和兜底回复，不能因为模型挂了整个服务就崩了。

第四，评估先行。不要凭感觉判断"效果变好了"，要建立评估集，用准确率、召回率、相关性等指标量化评估。没有评估体系，优化就是盲人摸象。

六、总结

LangChain 的价值不在于它提供了多少现成组件，而在于它建立了一套"如何组织大模型应用"的心智模型。掌握这套心智模型，比记住任何 API 都重要。当你理解了组件如何组合、数据如何流动、状态如何管理，你就能用任何框架、甚至不用框架，构建出高质量的大模型应用。

对于初学者，建议的进阶路径是：先用本地模型跑通基础调用，再逐个掌握六大组件，然后动手实现一个完整的 RAG 应用，最后关注工程化问题——可观测性、评估、降级。这条路走完，你就具备了独立构建生产级大模型应用的能力。

Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown将代码片显示选择的高亮样式进行展示；
3. 增加了图片拖拽功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的KaTeX数学公式语法；
5. 增加了支持甘特图的mermaid语法¹功能；
6. 增加了多屏幕编辑Markdown文章功能；
7. 增加了焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了检查列表功能。

功能快捷键

撤销：Ctrl/Command+Z
重做：Ctrl/Command+Y
加粗：Ctrl/Command+B
斜体：Ctrl/Command+I
标题：Ctrl/Command+Shift+H
无序列表：Ctrl/Command+Shift+U
有序列表：Ctrl/Command+Shift+O
检查列表：Ctrl/Command+Shift+C
插入代码：Ctrl/Command+Shift+K
插入链接：Ctrl/Command+Shift+L
插入图片：Ctrl/Command+Shift+G
查找：Ctrl/Command+F
替换：Ctrl/Command+G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本强调文本

加粗文本加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的代码片.

// An highlighted blockvarfoo='bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

SmartyPants

SmartyPants 是一个文本转换工具，主要功能是将普通的 ASCII 标点符号自动转换为更美观的印刷体标点符号。例如：

创建一个自定义列表

Markdown

Text-to-HTMLconversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb NΓ(n)=(n−1)!∀n∈N是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息LaTeX数学表达式here.

新的甘特图功能，丰富你的文章

• 关于甘特图语法，参考 这儿,

UML图表

可以使用UML图表进行渲染，例如下面产生的一个序列图：

• 关于UML图表语法，参考 这儿,

流程图

• 关于Mermaid语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart.js的流程图语法：

• 关于Flowchart流程图语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到文章导出，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。