当前位置：首页 > news >正文

LangChain API 功能介绍和使用示例

news 2025/8/1 21:30:58

以下是关于 LangChain API 的安装与使用方法的详细指南，涵盖从环境准备到实际案例的完整流程：

一、安装步骤

1. 前置条件

Python 版本：需 Python ≥ 3.8（推荐最新版）。

虚拟环境（可选但建议）：避免依赖冲突。

python -m venv myenv      # 创建虚拟环境
source myenv/bin/activate # Linux/MacOS
.\myenv\Scripts\activate  # Windows

2. 核心库安装

✅ 基础安装（包含核心功能）：

pip install langchain

💡 扩展组件（按需选择）：

对接特定大模型提供商（如 OpenAI、Anthropic）：

pip install langchain_openai       # OpenAI/Azure
pip install langchain_anthropic   # Anthropic
pip install langchain_cohere      # Cohere

嵌入模型集成：

pip install langchain_community   # 社区版嵌入模型

二、基础使用示例

🔧 场景 1：基础文本生成

from langchain_openai import ChatOpenAI# 初始化模型客户端（需提前配置环境变量或直接传入 API Key）
model = ChatOpenAI(model="gpt-4o")  # 自动读取 .env 文件中的 OPENAI_API_KEY# 单轮对话
response = model.invoke("写一首关于月亮的短诗")
print(response.content)  # 输出生成的诗歌# 多轮对话历史
messages = [("system", "你是一位诗人"),("user", "描述星空的美丽"),
]
result = model.invoke(messages)
print(result.content)

⚙️ 关键类：ChatOpenAI（支持聊天模式）、LLMChain（结合自定义提示模板）。

📦 场景 2：结构化数据输出

from pydantic import BaseModel, Field
from langchain_core.output_parsers import PydanticOutputParser
from langchain_openai import ChatOpenAI# 定义目标数据结构
class PoemReview(BaseModel):title: str = Field(description="诗歌标题")rating: int = Field(ge=1, le=5, description="评分 1-5")comments: str = Field(description="点评内容")# 初始化带结构解析器的模型
llm = ChatOpenAI(model="gpt-4o").with_structured_output(PoemReview)# 执行推理
review = llm.invoke("请评价这首古诗：《静夜思》")
print(review)  # 自动按字段返回结果

🔍 优势：强制模型输出符合预定义格式的数据，便于后续程序处理。

🔗 场景 3：链式工作流（Chain）

from langchain import PromptTemplate
from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI# 定义提示模板
template = PromptTemplate.from_template("将以下英文翻译成中文：{input}")# 构建翻译链
translator = LLMChain(llm=ChatOpenAI(model="gpt-4o"),  # 底层模型prompt=template                  # 任务描述模板
)# 执行翻译
result = translator.run({"input": "Hello, world!"})
print(result["text"])  # 输出翻译结果

🔄 核心逻辑：将「输入预处理 → 模型推理 → 输出后处理」封装为可复用的流水线。

三、高级功能实践

🛠️ 整合外部工具（Tools）

from langchain import hub
from langchain_openai import ChatOpenAI
from langchain.agents import ToolAgent
from langchain.tools import DuckDuckGoSearchTool# 初始化工具集
tools = [DuckDuckGoSearchTool()]  # 网络搜索工具# 创建智能体代理
agent = ToolAgent(llm=ChatOpenAI(model="gpt-4o"),tools=tools,verbose=True  # 打印执行日志
)# 执行复杂任务
result = agent.run("明天北京天气如何？如果下雨，推荐室内活动。")
print(result)

🤖 原理：模型自动判断何时调用工具（如搜索天气 API），实现动态决策。

📚 连接知识库（RAG 检索增强生成）

from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_openai import ChatOpenAI
from langchain.retrievers import ContextualCompressionRetriever
from langchain.chains import RetrievalQA# 加载文档 & 构建向量数据库
docs = [...]  # 你的文档列表
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
db = FAISS.from_documents(docs, embeddings)# 创建 RAG 链
qa_chain = RetrievalQA.from_chain_type(llm=ChatOpenAI(),retriever=ContextualCompressionRetriever(db),return_source_documents=True  # 返回引用来源
)# 提问并获取答案 + 依据
answer = qa_chain.invoke("什么是量子计算？")
print(f"答案：{answer['result']}\n来源：{answer['source_documents']}")

📖 适用场景：企业知识库问答、长文档分析等需要结合外部知识的场合。

四、常见问题解决

问题类型	解决方案
`ModuleNotFoundError`	确保已安装对应提供商的集成包（如 `langchain_openai`）
API Key 缺失	通过环境变量传递密钥（如 `export OPENAI_API_KEY="your_key"`）
速率限制	升级账户额度 / 改用本地模型（如 Ollama）
内存溢出	减少上下文长度或启用分块处理