LangChain教程：从入门到构建第一个AI应用
LangChain是一个强大的开源框架，旨在简化基于大型语言模型的应用程序开发。它通过提供模块化的组件和链式调用机制，帮助开发者将不同的大模型、数据源和工具无缝集成，从而快速构建聊天机器人、文档问答、智能代理等应用。对于刚接触LangChain的开发者来说，理解其核心概念并掌握基础操作是迈出第一步的关键。本教程将带你从环境配置开始，逐步搭建一个简单的智能问答系统，让你在实践中掌握LangChain的精髓。
准备工作：安装与环境配置
开始使用LangChain前，你需要确保Python环境（推荐3.8及以上版本）已安装。使用pip命令安装LangChain核心库：pip install langchain。此外，根据你的需求，可能还需要安装对应的模型提供商SDK，例如OpenAI的pip install openai，或Hugging Face的pip install huggingface-hub。建议在虚拟环境中进行，避免依赖冲突。
关键数据：LangChain自2022年10月发布以来，GitHub星标已超过7万、PyPI月下载量突破500万、支持超过50种模型集成、社区贡献者超过1000人。
核心概念：理解模型、提示与链
LangChain以三个核心抽象为基础：模型（LLM）、提示模板（Prompt Template）和链（Chain）。模型是大语言模型的接口，你可以调用OpenAI、Anthropic等商业模型或本地开源的Llama、ChatGLM。提示模板用于动态生成标准化的输入格式，避免重复编写。链则将这些组件串联起来，实现多步推理或数据流处理。例如，一个简单的问答链会先格式化提示，再调用模型，最后返回回答。
1、创建模型实例：from langchain.llms import OpenAI; llm = OpenAI(model_name="gpt-3.5-turbo")
2、定义提示模板：from langchain.prompts import PromptTemplate; prompt = PromptTemplate(input_variables=["question"], template="请回答以下问题：{question}")
3、构建链：from langchain.chains import LLMChain; chain = LLMChain(llm=llm, prompt=prompt)
4、执行链：response = chain.run(question="LangChain是什么？"); print(response)
实战操作：构建文档问答系统
文档问答是LangChain的典型应用场景。首先，你需要加载文档：使用TextLoader或PyPDFLoader读取文件内容。然后，将文档分割成块：from langchain.text_splitter import RecursiveCharacterTextSplitter; splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)。接着，为每个块生成向量嵌入并存储到向量数据库中，如FAISS或Chroma。最后，通过检索链将用户问题与相关文档块结合，生成回答。
1、加载文档：from langchain.document_loaders import TextLoader; loader = TextLoader("data.txt"); documents = loader.load()
2、分割文档：texts = splitter.split_documents(documents)
3、创建向量存储：from langchain.vectorstores import FAISS; from langchain.embeddings import OpenAIEmbeddings; db = FAISS.from_documents(texts, OpenAIEmbeddings())
4、构建并运行检索链：from langchain.chains import RetrievalQA; qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=db.as_retriever()); result = qa_chain.run("文档中的主要观点是什么？")
进阶技巧：使用代理与工具
LangChain的代理（Agent）功能让你的应用能够自主决定调用哪些工具来完成任务。例如，你可以赋予代理搜索引擎、计算器或数据库查询的能力。首先定义工具列表，每个工具包含名称、描述和可调用函数。然后创建代理并绑定LLM。当用户提出复杂问题时，代理会分析意图，依次调用工具，最终返回综合结果。这是构建自动化工作流的关键。
1、定义工具：from langchain.tools import Tool; tools = [Tool(name="搜索", func=search_function, description="用于网络搜索")]
2、创建代理：from langchain.agents import initialize_agent; agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
3、运行代理：agent.run("查找最新的LangChain版本信息")
调试与优化：常见问题处理
在开发过程中，你可能会遇到API密钥错误、模型响应超时或输出格式异常等问题。首先检查环境变量是否正确设置：import os; os.environ["OPENAI_API_KEY"] = "your-key"。对于长文本，可以调整chunk_size和overlap参数平衡上下文。使用verbose=True模式可以打印链的中间步骤，帮助定位逻辑错误。此外，LangSmith提供可视化的调试和监控工具，推荐在生产环境中使用。
1、设置环境变量：export OPENAI_API_KEY="sk-..." 或在代码中硬编码（不推荐）。
2、调整分割参数：chunk_size=1000, chunk_overlap=200 可提升检索质量。
3、启用详细日志：chain = LLMChain(llm=llm, prompt=prompt, verbose=True)
4、使用LangSmith：pip install langsmith 并配置项目跟踪。
总结
通过本教程，你已掌握了LangChain的基础安装、核心概念以及构建文档问答系统和代理的实战方法。从简单的链式调用到复杂的多工具协作，LangChain为AI应用开发提供了极高的灵活性和扩展性。持续实践并关注官方文档的更新，你将能解锁更多高级特性，例如内存管理、回调系统和自定义模型集成，从而将创意快速转化为实用的智能应用。