参考资料

• 快速入门视频 以及该教程对应的“笔记文章” juejin.cn/post/752699…
  • www.bilibili.com/video/BV1pY…
• langChain官方文档
  • python.langchain.com/docs/introd…
• langGragh基于langChain的高级封装框架，快速搭建agents
  • langchain-ai.github.io/langgraph/
• 给langGraph搭建的agents可视化展示
  • docs.langchain.com/langgraph-p…
• langSmith，用于agents监控的框架
  • docs.smith.langchain.com/
• langFlow，对标dify的AI工作流产品，相当于langChain带可视化界面
  • www.langflow.org/

核心功能

• 是什么？
  • LangChain 是一个开发大预言模型的框架。它可以将 LLM 与外部数据源、工具和各种组件便捷地连接起来，构建功能强大且实用的应用。
• 特点
  • LangChain目前主要的功能
    • 模型接口 封装OpenAI、Claude、Cohere、Qwen、deepseek等模型统一调用方式
    • 输出结构化 自动从模型中解析JSON、Schema、函数签名、文档等
    • 内存****管理 Buffer, Summary, Entity, Conversation Memory
    • 工具接入 Web 搜索、SQL数据库、Python 执行器、API代理等
    • Agent 架构 ReAct、Self-Ask、OpenAl Function Agent 等调度机制
    • RAG 集成 多种 Retriever、Vector Store、文档拆分策略
• 支持的语言
  • LangChain主要支持python语言，部分支持js语言，因此我们可以在我们的前端全栈项目中引入LangChain开发智能体
• 应用-可以用于开发
  • AI智能体
  • 智能问答客服
  • 数据分析
  • AI工作流

接入模型

LangChain实现了标准化接口，实现了很多AI厂商的接入sdk，这里以deepseek为例，使用LangChain接入并调用一个简单工具

注意，LangChain不同版本差异较大，本文使用的版本是0.3.25

不同的模型使用不同的接入sdk即可，代码中就可以统一使用init_chat_model初始化模型

安装langchain和langchain-deepseek

pip install langchain langchain-deepseek

接入API并调用

from langchain.chat_models import init_chat_model

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx"
)

res = model.invoke('你好')

print(res.content)

链式调用

我们将大模型、相关工具等作为组件，链就是负责将这些组件按照某一种逻辑，顺序组合成一个流水线的方式


模版提示词

langchain内置了多种提示词组件，可以让AI按要求回答问题，比如常见的提示词组件有

• ChatPromptTemplate
• PromptTemplate

from ast import parse
from langchain.chat_models import init_chat_model
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx"
)

prompt_template = ChatPromptTemplate([
    ("system", "你是一个乐意助人的助手，请根据用户的问题给出回答"),
    ("user", "这是用户的问题： {topic}， 请用 yes 或 no 来回答")
])

# 直接使用模型 + 输出解析器
bool_qa_chain = prompt_template | model | StrOutputParser()
# 测试
question = "请问 1 + 1 是否 大于 2？"
result = bool_qa_chain.invoke({'topic':question})
print(result)

上述简单代码，即可结构化输出LLM的结果

暂时无法在飞书文档外展示此内容

结构化解析

提到结构化解析，langChain内置的解析器包括

解析器名称	功能描述	类型
BooleanOutputParser	将LLM输出解析为布尔值	基础类型解析
DatetimeOutputParser	将LLM输出解析为日期时间	基础类型解析
EnumOutputParser	解析输出为预定义枚举值之一	基础类型解析
RegexParser	使用正则表达式解析LLM输出	模式匹配解析
RegexDictParser	使用正则表达式将输出解析为字典	模式匹配解析
StructuredOutputParser	将LLM输出解析为结构化格式	结构化解析
YamlOutputParser	使用Pydantic模型解析YAML输出	结构化解析
PandasDataFrameOutputParser	使用Pandas DataFrame格式解析输出	数据处理解析
CombiningOutputParser	将多个输出解析器组合为一个	组合解析器
OutputFixingParser	包装解析器并尝试修复解析错误	错误处理解析
RetryOutputParser	包装解析器并尝试修复解析错误	错误处理解析
RetryWithErrorOutputParser	包装解析器并尝试修复解析错误	错误处理解析
ResponseSchema	结构化输出解析器的响应模式	辅助类

比如使用BooleanOutputParser解析器，将上面的示例代码，解析为布尔值

from langchain.output_parsers import BooleanOutputParser

# 直接使用模型 + 输出解析器
bool_qa_chain = prompt_template | model | BooleanOutputParser()
# 测试
question = "请问 1 + 1 是否 大于 2？"
result = bool_qa_chain.invoke({'topic':question})
print(result)

使用更频繁的解析器有StructedOutputParser，他可以让AI从文本中提取结构化数据

from ast import parse
from langchain.chat_models import init_chat_model
from langchain.prompts import PromptTemplate
from langchain.output_parsers import StructuredOutputParser, ResponseSchema

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx"
)

schemas = [ # 构建结构化数据模板
    ResponseSchema(name="name", description="用户的姓名"),
    ResponseSchema(name="age", description="用户的年龄")
]

parser = StructuredOutputParser.from_response_schemas(schemas)

prompt = PromptTemplate(
  template="请根据以下内容提取用户信息，并返回 JSON 格式：\n{input}\n\n{output}"
)

chain = (
    prompt.partial(output=parser.get_format_instructions()) 
    | model
    | parser
)

result = chain.invoke({"input": "用户叫李雷，今年25岁，是一名工程师。"})
print(result) # {'name': '李雷', 'age': '25'}

多条链组合

langChain还可以定义多个chain，形成工作流形式，处理数据

from ast import parse
from langchain.chat_models import init_chat_model
from langchain.prompts import PromptTemplate
from langchain.output_parsers import StructuredOutputParser, ResponseSchema

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx"
)

news_gen_prompt = PromptTemplate.from_template(
    "请根据以下标题撰写一段文章内容，包括时间地点事件具体信息：\n\n标题：{title}"
)

# 第一个子链：生成新闻内容
news_chain = news_gen_prompt | model

schemas = [
    ResponseSchema(name="time", description="事件发生的时间格式化为YYYY-MM-DD"),
    ResponseSchema(name="location", description="事件发生的地点"),
    ResponseSchema(name="event", description="发生的具体事件"),
]
parser = StructuredOutputParser.from_response_schemas(schemas)

summary_prompt = PromptTemplate.from_template(
    "请从下面这段文章内容中提取关键信息，并返回结构化JSON格式：\n\n{news}\n\n{output}"
)

# 第二个子链：生成新闻摘要
summary_chain = (
    summary_prompt.partial(output=parser.get_format_instructions())
    | model
    | parser
)

# 组合成一个复合 Chain
full_chain = news_chain | summary_chain

# 调用复合链
result = full_chain.invoke({"title": "小米公司在武汉总部发布小米16Pro，搭载骁龙8gen5"})
print(result)

自定义组件

如果我们需要在两个chain中间进行调试，就可以使用自定义组件

from langchain_core.runnables import RunnableLambda

def debug_print(x):
    print('中间结果（新闻正文）：', x)
    return x

debug_node = RunnableLambda(debug_print)

# 组合成一个复合 Chain
full_chain = news_chain | debug_node | summary_chain

记忆功能

使用 MessagesPlaceholder 在 ChatPromptTemplate 中为“对话历史”留出一个占位符，把用户/助手的历史消息按顺序插入到系统消息之后，从而构建完整的聊天消息列表给模型

from langchain.chat_models import init_chat_model
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.output_parsers import StrOutputParser

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx"
)

prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是一个专业的前端开发工程师，你喜欢玩弄前端八股，时常会说出一些让人难以理解的技术名词"),
    MessagesPlaceholder(variable_name="messages"),
])

chain = prompt | model | StrOutputParser()

messages_list = []  # 初始化历史
while True:
    user_query = input("你：")

    # 1) 追加用户消息
    messages_list.append(HumanMessage(content=user_query))

    # 2) 调用模型
    assistant_reply=''
    print('AI:', end=' ')
    for chunk in chain.stream({"messages": messages_list}):
        assistant_reply+=chunk
        print(chunk, end="", flush=True)
    print()

    # 3) 追加 AI 回复
    messages_list.append(AIMessage(content=assistant_reply))

调用工具

langChain官方内置了很多工具，可以参考文档

python.langchain.com/docs/integr…

使用AI调用工具是一个相对比较麻烦的过程，首先需要给AI绑定工具，让AI知道有哪些工具可以调用

tools = [get_weather]

llm_with_tools = model.bind_tools(tools)

执行AI对话后，AI会返回内容，其中包含需要调用的工具

{
  "content": "我来帮您查询南昌今天的天气情况。",
   ... 省略其他内容
  "tool_calls": [
    {
      "name": "get_weather",
      "args": {
        "loc": "南昌"
      },
      "id": "call_0_15fd694f-a1d1-4187-b325-792794ca71ac",
      "type": "tool_call"
    }
  ],
  ... 省略其他内容
}

这个时候在代码中要判断AI返回结果是否有工具调用请求，如果有则需要找到对应的工具函数，调用，并在再次调用AI，并填入函数调用结果。

暂时无法在飞书文档外展示此内容

而langChain中的agents功能简化了AI调用工具的流程，他可以自动执行调用功能步骤，并自动调用AI回答

from langchain.chat_models import init_chat_model
from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

import requests
import json

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx"
)

@tool
def get_weather(loc):
    """
        查询即时天气函数
        :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
        :return：心知天气 API查询即时天气的结果，具体URL请求地址为："https://api.seniverse.com/v3/weather/now.json"
        返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
    """
    url = "https://api.seniverse.com/v3/weather/now.json"
    params = {
        "key": "xxx-xxx",
        "location": loc,
        "language": "zh-Hans",
        "unit": "c",
    }
    response = requests.get(url, params=params)
    temperature = response.json()
    return temperature['results'][0]['now']

tools = [get_weather]

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是天气助手，请根据用户的问题，给出相应的天气信息"),
        ("human", "{input}"),
        ("placeholder", "{agent_scratchpad}"), # 这部分agent提示符写法是写死的不可以修改
    ]
)
agent = create_tool_calling_agent(llm=model, tools=tools, prompt=prompt)

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

response = agent_executor.invoke({"input": "南昌今天的天气如何？"})

print(json.dumps(response, indent=2, ensure_ascii=False))

Agent

上一节中，就通过Agent调用了我们自定义的工具

LangChain Agent API 在底层对 大模型调用工具做了优化，让我们在代码中也可以方便的使用AI并集成工具

除了create_tool_calling_agent这一通用的方法，LangChain还封装了许多不同的Agent实现形式，参考下表:

函数名	功能描述	适用场景
create_tool_calling_agent	创建使用工具的Agent	通用工具调用
create_openai_tools_agent	创建OpenAI工具Agent	OpenAI模型专用
create_openai_functions_agent	创建OpenAI函数Agent	OpenAI函数调用
create_react_agent	创建ReAct推理Agent	推理+行动模式
create_structured_chat_agent	创建结构化聊天Agent	多输入工具支持
create_conversational_retrieval_agent	创建对话检索Agent	检索增强对话
create_json_chat_agent	创建JSON聊天Agent	JSON格式交互
create_xml_agent	创建XML格式Agent	XML逻辑格式
create_self_ask_with_search_agent	创建自问自答搜索Agent	自主搜索推理

MCP调用

MCP（全称是Model Context Protocol，模型上下文协议）

MCP统一了AI调用工具的格式，也让AI能更好的拓展工具，常规的Function Calling工具是写在源码中不可变动的

通过MCP可以自由拓展AI的能力

在langChain中使用mcp，需要先安装依赖

pip install langchain-mcp-adapters

再调用高德地图mcp工具

import asyncio
from langchain.chat_models import init_chat_model
from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_mcp_adapters.client import MultiServerMCPClient

import json

mcp_config = json.load(open('./mcp.json', 'r', encoding='utf-8')).get('mcpServers', {})
mcp_client = MultiServerMCPClient(mcp_config)

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    base_url="https://api.deepseek.com",
    api_key="sk-xxx",
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个地图工具，能够提供实时的地图信息和导航服务。"),
        ("human", "{input}"),
        ("placeholder", "{agent_scratchpad}"), # 这部分agent提示符写法是写死的不可以修改
    ]
)
async def run():
    tools = await mcp_client.get_tools() 
    agent = create_tool_calling_agent(llm=model, tools=tools, prompt=prompt)
    agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
    response = await agent_executor.ainvoke({"input": "南昌的天气怎么样"})
    print(json.dumps(response, indent=2, ensure_ascii=False))

asyncio.run(run())