玄同 765
大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）
CSDN · 个人主页 | GitHub · Follow
关于作者
- 深耕领域：大语言模型开发 / RAG 知识库 / AI Agent 落地 / 模型微调
- 技术栈：Python | RAG (LangChain / Dify + Milvus) | FastAPI + Docker
- 工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案
「让 AI 交互更智能，让技术落地更高效」
欢迎技术探讨与项目合作，解锁大模型与智能交互的无限可能！
在大模型应用开发中，你是否曾被这些问题困扰：
- 如何让大模型调用外部工具（如数据库、API）？
- 如何将大模型与自有知识库结合，实现精准问答？
- 如何构建多轮对话系统，让模型记住上下文？
- 如何将大模型能力封装为可复用的组件？
LangChain 作为大模型应用开发的 “瑞士军刀”，通过一系列模块化核心组件，让开发者可以像搭乐高积木一样快速构建复杂的大模型应用。本文将从底层原理出发，带你彻底搞懂 LangChain 的核心组件，以及如何用它们构建生产级大模型应用。
一、LangChain 的核心设计理念：模块化与可组合性
LangChain 的核心理念是将大模型应用拆解为独立组件，通过组合实现复杂功能。这些组件可以独立使用，也可以灵活组合，覆盖了大模型应用开发的全流程：
每个组件都有明确的职责，开发者可以根据需求选择合适的组件进行组合，大大降低了大模型应用的开发门槛。
二、核心组件 1：模型层（Models）—— 大模型的 “接口层”
提示：运行以下示例前，请确保已安装最新版核心包及插件：
pipinstall-U langchain langchain-openai langchain-community langchain-text-splitters faiss-cpu
模型层是 LangChain 与大模型交互的核心组件。在 LangChain 1.0+ 中，所有模型都继承自Runnable接口，支持统一的invoke调用。
1. 核心类型
（1）LLM（大语言模型）
处理纯文本输入输出。
fromlangchain_openaiimportOpenAI# 初始化OpenAI LLM (需要环境变量 OPENAI_API_KEY)# llm = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.7)# 使用 Mock LLM 演示（无需 API Key）fromlangchain_core.language_models.llmsimportLLMfromtypingimportOptional,List,AnyclassMockLLM(LLM):def_call(self,prompt:str,stop:Optional[List[str]]=None,**kwargs:Any)->str:returnf"这是关于{prompt[:10]}的技术博客内容..."@propertydef_llm_type(self)->str:return"mock"llm=MockLLM()# 推荐使用 invoke 方法response=llm.invoke("请写一篇关于LangChain的技术博客")print(response)（2）ChatModel（对话模型）
专门处理对话场景，输入输出均为消息对象（Messages）。
fromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessage,SystemMessage# chat_model = ChatOpenAI(model="gpt-3.5-turbo")# 使用 Mock ChatModel 演示fromlangchain_core.language_models.chat_modelsimportBaseChatModelfromlangchain_core.outputsimportChatResult,ChatGenerationfromlangchain_core.messagesimportAIMessageclassMockChatModel(BaseChatModel):def_generate(self,messages,stop=None,**kwargs):returnChatResult(generations=[ChatGeneration(message=AIMessage(content="你好！我是 AI 技术博主。"))])@propertydef_llm_type(self):return"mock"chat_model=MockChatModel()# 多轮对话messages=[SystemMessage(content="你是一名专业的技术博客作者"),HumanMessage(content="请写一篇关于LangChain核心组件的技术博客")]response=chat_model.invoke(messages)print(response.content)（3）EmbeddingModel（嵌入模型）
将文本转换为向量，用于语义检索。
fromlangchain_openaiimportOpenAIEmbeddings# embeddings = OpenAIEmbeddings()# 使用 Mock Embeddings 演示fromlangchain_core.embeddingsimportEmbeddingsclassMockEmbeddings(Embeddings):defembed_documents(self,texts:List[str])->List[List[float]]:return[[0.1]*1536for_intexts]defembed_query(self,text:str)->List[float]:return[0.1]*1536embeddings=MockEmbeddings()# 生成文本向量text="LangChain is a framework for building LLM applications"vector=embeddings.embed_query(text)print(f"向量维度：{len(vector)}")2. 关键特性
- 统一接口：不同大模型的接口差异被抽象为统一的 API，开发者无需为每个模型单独适配；
- 参数配置：支持温度（temperature）、最大 Token 数（max_tokens）等参数的全局配置；
- 异步支持：所有模型都支持异步调用，提升大模型应用的并发性能；
- 模型缓存：支持缓存模型响应，避免重复调用相同请求，降低成本。
三、核心组件 2：数据连接层（Data Connection）—— 大模型的 “知识库”
数据连接层负责将外部数据（如文档、数据库、API 数据）与大模型结合，实现检索增强生成（RAG）。
1. 核心组件
（1）Document Loaders（文档加载器）
将外部文档加载为 LangChain 的Document对象。目前这些加载器主要位于langchain-community包中。
fromlangchain_community.document_loadersimportPyPDFLoader# 加载PDF文档# loader = PyPDFLoader("langchain_whitepaper.pdf")# documents = loader.load()# print(f"加载的文档页数：{len(documents)}")（2）Text Splitters（文本分割器）
将长文档分割为小片段。LangChain 现在拥有独立的langchain-text-splitters包。
fromlangchain_text_splittersimportRecursiveCharacterTextSplitter# 初始化文本分割器text_splitter=RecursiveCharacterTextSplitter(chunk_size=1000,# 每个片段的最大字符数chunk_overlap=200# 片段之间的重叠部分)# 模拟分割文档# split_documents = text_splitter.split_documents(documents)（3）Vector Stores（向量数据库）与 Retrievers（检索器）
存储向量并支持语义检索。建议使用langchain-chroma或FAISS。
fromlangchain_community.vectorstoresimportFAISS# 模拟文档数据fromlangchain_core.documentsimportDocument docs=[Document(page_content="LangChain 是一个大模型应用开发框架")]# 使用前面定义的 embeddings (MockEmbeddings) 创建本地向量库vector_store=FAISS.from_documents(docs,embeddings)# 创建检索器retriever=vector_store.as_retriever(search_kwargs={"k":1})# 执行检索retrieved_docs=retriever.invoke("什么是 LangChain？")print(f"检索结果：{retrieved_docs[0].page_content}")四、核心组件 3：链（Chains）与 LCEL —— 组件的 “流水线”
链（Chains）负责将多个组件组合成一个可执行的流水线。在 LangChain 1.0+ 中，推荐使用LangChain Expression Language (LCEL)来构建链，它比传统的Chain类更灵活、更易于调试。
1. 现代组合方式：LCEL
LCEL 允许你使用|运算符将 Prompt、模型和输出解析器连接起来。
fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParser# 创建 Prompt 模板prompt=ChatPromptTemplate.from_template("请写一篇关于 {topic} 的技术博客")# 构建 LCEL 链 (Prompt -> LLM -> OutputParser)chain=prompt|chat_model|StrOutputParser()# 执行链response=chain.invoke({"topic":"LangChain 1.0 架构"})print(response)2. 传统链（Legacy Chains）
虽然官方推荐 LCEL，但传统的LLMChain、RetrievalQA等在旧代码库中依然常见。
# 旧版导入方式try:fromlangchain.chainsimportLLMChainexceptImportError:print("请安装 langchain 包以使用旧版链")3. 为什么选择 LCEL？
LCEL 不仅仅是一种语法糖，它为现代大模型应用提供了核心工程能力：
- 流式处理 (Streaming)：自动支持从模型到输出解析器的流式输出；
- 并行执行 (Parallelism)：使用
RunnableParallel轻松实现并发调用； - 异步支持 (Async)：所有 LCEL 链原生支持
ainvoke； - 中间步骤可视化：可以轻松追踪链中的每一个环节。
五、核心组件 4：记忆（Memory）—— 大模型的 “对话上下文”
记忆组件负责存储对话历史。在 1.0+ 架构中，推荐直接在 LCEL 链中管理消息历史，或者使用RunnableWithMessageHistory。
1. 基础记忆：ConversationBufferMemory
这是最简单的记忆组件，存储完整的对话历史。
try:fromlangchain.memoryimportConversationBufferMemoryexceptImportError:print("请安装 langchain 包以使用旧版记忆组件")# 初始化记忆组件memory=ConversationBufferMemory()# 在传统对话链中使用# from langchain.chains import ConversationChain# conversation = ConversationChain(llm=llm, memory=memory)2. 现代记忆管理方式
现代做法是使用ChatMemoryHistory配合RunnableWithMessageHistory，这样可以更好地控制状态持久化。
fromlangchain_community.chat_message_historiesimportChatMessageHistoryfromlangchain_core.runnables.historyimportRunnableWithMessageHistory# 初始化消息历史history=ChatMessageHistory()# 现代链配合历史记录（伪代码示例）# with_history = RunnableWithMessageHistory(chain, lambda session_id: history)六、核心组件 5：代理（Agents）—— 大模型的 “决策中心”
代理（Agents）让大模型可以根据用户请求，自主决策调用哪些工具。
1. 现代 Agent 构建方式
LangChain 现在推荐使用create_react_agent或更强大的LangGraph。以下是一个标准的 ReAct Agent 构建流程：
fromlangchain.agentsimportcreate_react_agent,AgentExecutorfromlangchainimporthub# 1. 定义工具集fromlangchain_core.toolsimporttool@tooldefget_weather(city:str)->str:"""获取指定城市的实时天气"""returnf"{city}的天气是：晴，25度"tools=[get_weather]# 2. 获取 ReAct 提示词模板 (需要联网或手动定义)# prompt = hub.pull("hwchase17/react")# 这里我们模拟一个简单的 Prompt 模板fromlangchain_core.promptsimportPromptTemplate template="尽力回答以下问题。你可以使用以下工具：{tools}... 问题：{input} {agent_scratchpad}"prompt=PromptTemplate.from_template(template)# 3. 构建 Agent 运行器# agent = create_react_agent(chat_model, tools, prompt)# executor = AgentExecutor(agent=agent, tools=tools, verbose=True)# 4. 执行任务# response = executor.invoke({"input": "北京今天天气怎么样？"})注意：对于更复杂的逻辑控制，推荐学习 LangGraph，它是目前构建生产级 AI Agent 的首选框架。
七、核心组件 6：工具（Tools）—— 大模型的 “手脚”
工具是大模型与外部系统交互的接口。在 1.0+ 中，推荐使用@tool装饰器。
fromlangchain_core.toolsimporttoolfrompydanticimportBaseModel,FieldclassSearchInput(BaseModel):query:str=Field(description="搜索关键词")@tool("search_tool",args_schema=SearchInput)defsearch(query:str)->str:"""在互联网上搜索信息"""returnf"搜索结果:{query}的相关信息..."八、组件组合：构建生产级大模型应用 (RAG 实战)
通过组合 LangChain 的核心组件，我们可以快速构建复杂的生产级大模型应用。以下是一个典型的检索增强生成 (RAG)系统示例（使用 Mock 组件演示可运行流程）：
fromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportChatPromptTemplate# 1. 模拟检索器 (Retriever)classMockRetriever:definvoke(self,query:str):return"LangChain 的核心价值在于其模块化设计和强大的生态系统。"retriever=MockRetriever()# 2. 定义 Prompt 模板template="""基于以下内容回答问题: {context} 问题: {question} """prompt=ChatPromptTemplate.from_template(template)# 3. 构建 LCEL RAG 链# 使用前面定义的 chat_model (MockChatModel)rag_chain=({"context":retriever.invoke,"question":RunnablePassthrough()}|prompt|chat_model|StrOutputParser())# 4. 执行问答response=rag_chain.invoke("LangChain 的核心价值是什么？")print(f"RAG 回答:{response}")九、总结：LangChain 的核心价值
LangChain 1.0+ 的核心价值在于标准化与工程化。
- 模型层：通过
Runnable接口统一了所有组件的调用方式； - 数据连接层：标准化的 RAG 流程，极大降低了知识库构建难度；
- LCEL：声明式的链式表达，让复杂的逻辑变得清晰且易于并行化；
- 生态化：丰富的社区插件（Community）和合作伙伴集成（OpenAI, Anthropic 等）。
如果你想构建稳定、可扩展的大模型应用，掌握 LangChain 1.0+ 的模块化设计和 LCEL 是必经之路！
)
