langchain入门笔记01

---

前言

参考文献：
https://python.langchain.com/docs/tutorials/llm_chain/
https://www.bilibili.com/video/BV1pYKgzAE5C
本文仅仅用于学习记录langchain的基础内容。感谢以上参考文献。
本文的完整代码，可从笔者的gitee下载。

---

一、langchain是什么？

LangChain 是一个开源的、用于构建基于大语言模型（LLM, Large Language Model）的应用程序的开发框架。它旨在简化与语言模型的集成，使得开发者可以更轻松地构建诸如聊天机器人、问答系统、智能代理（Agents）、自动化流程等复杂应用。

二、langchain接入大语言模型

1. 引入库

代码如下（示例）：

# 创建并激活 Conda 环境
conda create -n langchain python=3.11
conda activate langchain# 使用 pip 安装核心包
pip install langchain langchain-deepseek python-dotenv

2. 在langchain中进行简单的对话

2.1 使用deepseek的api-key对话

在官网https://platform.deepseek.com 注册获取api key，并充值1rmb。将apikey填入.envs文档中，并起名为 …_API_kEY

2.2 使用ollama接入本地的模型

如果你想接入其他模型，可以查看官网提供的其他模型接入方式：https://python.langchain.com/docs/integrations/chat/。或者不想花钱买api，可以接入基于ollama的本地模型。来看如何操作。ollama的windows安装步骤，可见笔者之前的博客。

2.2.1 引入库

# 使用 pip 安装核心包
pip install langchain-ollama

2.2.2 打开ollama，直接对话

三、langchain核心功能：链式调用的实现

例子1：使用StructuredOutputParser在文档中提取指定的结构化信息

def build_chain3():from langchain.output_parsers import ResponseSchema, StructuredOutputParserfrom langchain_core.prompts import PromptTemplatemodel = ChatOllama(model="deepseek-r1:14b")schemas = [ResponseSchema(name="name", description="用户的姓名"),ResponseSchema(name="age", description="用户的年龄")]parser = StructuredOutputParser.from_response_schemas(schemas)# 在PromptTemplate中，定义了两个占位符：# {input}->将由用户传入的文本替换，即"用户叫李烈，今年24岁..."，# {format_instructions}->会通过partial提前绑定结构化格式说明prompt = PromptTemplate.from_template("请根据以下内容提取用户信息，并返回json格式: \n{input}\n\n{format_instructions}")chain = (prompt.partial(format_instructions = parser.get_format_instructions()) | model | parser)result = chain.invoke({"input": "用户叫李烈，今年24岁， 是一个工程师。"})

例子2：创建复合链，串联

def build_chain4():from langchain.output_parsers import ResponseSchema, StructuredOutputParserfrom langchain_core.prompts import PromptTemplatefrom langchain_core.runnables import RunnableSequencemodel = ChatOllama(model="deepseek-r1:14b")# 第1步，根据标题生成新闻正文news_gen_prompt = PromptTemplate.from_template("请根据以下新闻标题撰写一段简短的新闻内容(100字以内): \n\n标题: {title}")# 第一个子链：生成新闻内容news_chain = news_gen_prompt | model# 第2步，从正文中提取结构化字段schemas = [ResponseSchema(name="time", description="事件发生的时间"),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)prompt = PromptTemplate.from_template("请根据以下这段新闻内容提取关键信息，并返回json格式: \n{news}\n\n{format_instructions}")# 第二个子链：生成摘要summary_chain = (prompt.partial(format_instructions=parser.get_format_instructions()) | model | parser)# 组合成一个复合chainfull_chain = news_chain | summary_chainresult = full_chain.invoke({"title": "深度求索公司在2025年年初发布了deepseek新模型"})print(result)

例子3：具有多轮对话记忆能力的聊天机器人

在deepseek-api上对话的效果图如下。多轮对话表明，成功实现了记忆功能。（注意，笔者的台式机在本地ollama上对话，反应太慢; 其次，运行前记得把v2r等代理工具关闭）

记忆功能的代码：

	# 处理消息发送async def respond(message, chat_history):if not message.strip():yield "", chat_historyreturn# 1. 添加用户消息到历史并立即显示chat_history = chat_history + [(message, None)]yield "", chat_history  # 立即显示用户消息# 2. 流式生成AI回应async for response in chat_response(message, chat_history):# 更新最后一条消息的AI回应chat_history[-1] = (message, response)yield "", chat_history

其中，chat_response代码如下：

    async def chat_response(message, history):"流式生成AI回应"# ✅ 注意：history 需要转换成 messages 格式（LangChain 要求）from langchain_core.messages import HumanMessage, AIMessage# 将历史对话，转换为 message 列表formatted_history = []for user_msg, ai_msg in history:if user_msg:formatted_history.append(HumanMessage(content=user_msg))if ai_msg:formatted_history.append(AIMessage(content=ai_msg))partial_message = ""async for chunk in chain.astream({"input": message,"chat_history": formatted_history}):partial_message += chunkyield partial_message

完整的chatbot代码，可见于笔者gitee仓库中的main1.py中的chatbot()函数。

四、langchain接入工具流程

https://python.langchain.com/docs/tutorials/ 在langchain官网提供了很多的内置工具，比如网页搜索、爬虫等，方便开发者直接使用。

例子1：以python 代码解释器为例

首先安装库

# 使用 pip 安装核心包
pip install langchain-community langchain-experimental pandas scipy

从官网下载telco数据集 https://www.kaggle.com/datasets/blastchar/telco-customer-churn，也可以在我的gitee仓库中下载。
具体代码如下：

# 使用python解释器工具
def use_tools1():load_dotenv(override=True)from langchain_core.prompts import ChatPromptTemplatefrom langchain_experimental.tools import PythonAstREPLToolimport pandas as pddf = pd.read_csv("./Telco/WA_Fn-UseC_-Telco-Customer-Churn.csv")tool = PythonAstREPLTool(locals={"df": df})# print(tool.invoke("df['SeniorCitizen'].mean()")) # df['SeniorCitizen'].mean() = 0.1621468124378816from langchain.chat_models import init_chat_modelmodel = init_chat_model(model="deepseek-chat", model_provider="deepseek")llm_with_tools = model.bind_tools([tool])from langchain_core.output_parsers.openai_tools import JsonOutputKeyToolsParserparser = JsonOutputKeyToolsParser(key_name=tool.name, first_tool_only=True)system_message = f"""你可以访问一个名为'df'的pandas数据框，你也可以使用df.head().to_markdown()查看数据集的基本信息。请根据用户提出的问题，编写python代码来回答。只返回代码，不返回其他内容。只允许使用pandas和内置库。"""prompt = ChatPromptTemplate([("system", system_message), ("user", "{question}")])# code_chain = prompt | llm_with_tools | parser# print(code_chain.invoke({"question": "请帮我计算SeniorCitizen字段的均值"})) #输出：{"query":"df[\'SeniorCitizen\'].mean()"}chain = prompt | llm_with_tools | parser | toolprint(chain.invoke({"question": "请帮我分析gender和Churn和SeniorCitizen三个字段之间的相关关系"}))# # 输出: # # Gender和Churn的卡方检验结果:# # 卡方值: 0.4840828822091383, p值: 0.48657873605618596# # SeniorCitizen和Churn的卡方检验结果:# # 卡方值: 159.42630036838742, p值: 1.510066805092378e-36# # Gender和SeniorCitizen的卡方检验结果:# # 卡方值: 0.015604244282376655, p值: 0.9005892996849594

例子2：接入自定义工具，比较繁琐的一种实现

langchain中接入天气查询功能。在笔者的mcp入门博客中，有天气查询这个api更详细的记录。不在此赘述。代码如下：

# 接入自定义工具
def use_tools2():load_dotenv(override=True)import requests, jsonfrom langchain_core.tools import toolfrom langchain_core.prompts import ChatPromptTemplate@tooldef 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，\注意，中国的城市需要用对应城市的英文名称代替:return: 解析之后的json格式对象"""url = "https://api.openweathermap.org/data/2.5/weather"params = {"q": loc,"appid": os.getenv("OPENWEATHER_API_KEY"),"units": "metric","lang": "zh_cn"}response = requests.get(url, params=params)data = response.json()return json.dumps(data)# print(get_weather.name)from langchain.chat_models import init_chat_modelmodel = init_chat_model(model="deepseek-chat", model_provider="deepseek")tools = [get_weather]llm_with_tools = model.bind_tools(tools)from langchain_core.output_parsers.openai_tools import JsonOutputKeyToolsParserparser = JsonOutputKeyToolsParser(key_name="get_weather", first_tool_only=True)prompt = ChatPromptTemplate([("user", "{input}")])get_weather_chain = prompt | llm_with_tools | parser | get_weather# response = get_weather_chain.invoke("你好，上海今天的天气怎么样？")# print(response)# {"coord": {"lon": 121.4581, "lat": 31.2222}, "weather": [{"id": 803, "main": "Clouds", "description": "\u591a\u4e91", "icon": "04d"}], "base": "stations", "main": {"temp": 33.67, "feels_like": 40.67, "temp_min": 33.67, "temp_max": 33.67, "pressure": 1002, "humidity": 59, "sea_level": 1002, "grnd_level": 1001}, "visibility": 10000, "wind": {"speed": 4.51, "deg": 162, "gust": 5.51}, "clouds": {"all": 80}, "dt": 1754374028, "sys": {"country": "CN", "sunrise": 1754341997, "sunset": 1754390825}, "timezone": 28800, "id": 1796236, "name": "Shanghai", "cod": 200}from langchain.prompts import PromptTemplatefrom langchain_core.output_parsers import StrOutputParseroutput_prompt = PromptTemplate.from_template("""你将收到一段json格式的天气数据，请用简洁自然的方式将其转述给用户。以下是天气json数据：json {weather_json}请将其转换为中文天气描述，例如：”北京当前天气晴朗，气温为23C，湿度58%，风速2.1米/秒" 只返回一句话描述，不要其他说明或解释。""")output_chain = output_prompt | model | StrOutputParser()# weather_json = '{"coord": {"lon": 121.4581, "lat": 31.2222}, "weather": [{"id": 803, "main": "Clouds", "description": "\u591a\u4e91", "icon": "04d"}], "base": "stations", "main": {"temp": 33.67, "feels_like": 40.67, "temp_min": 33.67, "temp_max": 33.67, "pressure": 1002, "humidity": 59, "sea_level": 1002, "grnd_level": 1001}, "visibility": 10000, "wind": {"speed": 4.51, "deg": 162, "gust": 5.51}, "clouds": {"all": 80}, "dt": 1754374028, "sys": {"country": "CN", "sunrise": 1754341997, "sunset": 1754390825}, "timezone": 28800, "id": 1796236, "name": "Shanghai", "cod": 200}'# response = output_chain.invoke(weather_json)# print(response) # 上海当前天气多云，气温为33.67°C，体感温度40.67°C，湿度59%，风速4.51米/秒。full_chain = get_weather_chain | output_chainresponse = full_chain.invoke("请问天津今天的天气如何？")print(response) # 天津当前阴天多云，气温31.72°C（体感38.72°C），湿度77%，风速1.45米/秒。

例子3：接入自定义工具，借助agent更简洁的实现串联和，并联

def use_tools3():from langchain.agents import create_tool_calling_agent, toolfrom langchain_core.prompts import ChatPromptTemplatefrom langchain.chat_models import init_chat_modelload_dotenv(override=True)import requests, json@tooldef 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，\注意，中国的城市需要用对应城市的英文名称代替:return: 解析之后的json格式对象"""url = "https://api.openweathermap.org/data/2.5/weather"params = {"q": loc,"appid": os.getenv("OPENWEATHER_API_KEY"),"units": "metric","lang": "zh_cn"}response = requests.get(url, params=params)data = response.json()return json.dumps(data)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}")])tools = [get_weather]  # 定义工具model = init_chat_model(model="deepseek-chat", model_provider="deepseek")agent = create_tool_calling_agent(model, tools, prompt)from langchain.agents import AgentExecutoragent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)# response = agent_executor.invoke({"input": "请问今天北京的天气怎么样"})# print(response) #属于串联response = agent_executor.invoke({"input": "请问今天北京和上海的天气怎么样？哪个城市更热？"})print(response)  # 属于并联# 'output': '今天北京的天气是阴天，多云，温度为32.68°C，体感温度39.68°C。  \n上海的天气是晴天，少云，温度为32.94°C，体感温度39.94°C。# \n\n从温度来看，上海比北京稍微热一点。'}

例子4：使用langchain内置工具，创建agent。以Tavily搜索引擎为例

首先安装环境包：

pip install langchain-tavily

然后登录官网注册api，把apikey并放入.ens文件中。可以看到搜索效果不错，agent真香！（注意，Tavily是有免费搜索次数限制的）

# 使用langchain内置工具，创建agent. 以Tavily搜索引擎为例
def use_tools4():load_dotenv(override=True)from langchain_community.tools.tavily_search import TavilySearchResultsfrom langchain.agents import create_tool_calling_agent, toolfrom langchain_core.prompts import ChatPromptTemplatefrom langchain.chat_models import init_chat_modelfrom langchain.agents import AgentExecutorsearch = TavilySearchResults(max_results=2)# result = search.invoke("苹果2025WWDC发布会")# [{'title': 'Apple 全球開發者大會於香港時間6 月10 日當週登場', 'url': 'https://www.apple.com/hk/newsroom/2025/03/apples-worldwide-developers-conference-returns-the-week-of-june-9/', 'content': ...tools = [search]prompt = ChatPromptTemplate.from_messages([("system", "你是一名乐于助人的助手，并且可以调用工具进行网络搜索，获取实时信息"),("human", "{input}"),("placeholder", "{agent_scratchpad}")])model = init_chat_model(model="deepseek-chat", model_provider="deepseek")agent = create_tool_calling_agent(model, tools, prompt)agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)response = agent_executor.invoke({"input": "请问将在2026年举行世界杯的城市是？"})print(response) # 'output': '2026年世界杯将由美国、墨西哥和加拿大联合举办，共有16个举办城市，具体如下：\n\n- **美国**：纽约/新泽西...

---

总结

根据网上资料简单学习了langchain的使用。下一篇博客中将使用langchain进行mcp和rag的应用。