零基础学AI大模型之LangChain聊天模型多案例实战

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战

---

前情摘要：
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate
11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战

---

零基础学AI大模型之LangChain聊天模型多案例实战

大家好，我是工藤学编程！在上一篇中，我们搞懂了ChatModel的核心特性和ChatPromptTemplate的基础用法，今天这篇咱们直接“落地实战”——围绕**「模板构建→参数注入→LLM调用」** 的完整流程，拆解3个高频业务场景（领域专家、带参数领域专家、合规客服），手把手教你用LangChain快速搭建可复用的聊天模型应用。

先明确一个核心执行顺序，这是所有案例的底层逻辑，务必记住：
from_template（定义单角色模板） → from_messages（组合多角色模板） → format_messages（注入动态参数） → model.invoke（调用LLM生成响应）

一、实战准备：基础依赖与LLM配置

所有案例均基于LangChain核心库和DeepSeek模型（也可替换为GPT-3.5/4、 Claude等），先完成环境搭建：

1.1 安装依赖

# 核心依赖：LangChain基础框架 + OpenAI兼容适配器（用于调用通义千问等模型）
pip install langchain-core langchain-openai

1.2 通用LLM配置说明

案例中都会用到ChatOpenAI类（注意：虽叫“OpenAI”，但支持配置第三方模型的OpenAI兼容接口，如通义千问的dashscope.aliyuncs.com），关键参数含义：

• model_name：模型名称（如通义千问的qwen-plus，GPT-3.5的gpt-3.5-turbo）；
• base_url：模型API的基础地址（通义千问专属地址如上，OpenAI为https://api.openai.com/v1）；
• api_key：你的模型API密钥（需替换为自己的，通义千问密钥从阿里云DashScope获取）；
• temperature：随机性参数（0~1，0更严谨、1更灵活，案例中统一设为0.7）。

二、案例1：基础领域专家——固定角色的LLM调用

场景需求：构建一个“Java专家”聊天模型，接收用户关于Java知识点的提问，输出专业解释（无动态参数，角色和回复风格固定）。

核心思路

直接用SystemMessage和HumanMessage构建固定角色的消息列表，跳过模板定义步骤（适合简单、无参数的场景），直接调用LLM。

完整代码与拆解

# 1. 导入依赖：LLM客户端 + 消息类型
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
# 2. 初始化LLM模型
model = ChatOpenAI(model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址api_key="none",  # 本地模型通常不需要真实API密钥temperature=0.7  # 可根据需要调整温度参数
)# 3. 构建消息列表（类似Java的List<Message>，固定角色与内容）
messages = [# System角色：定义“Java专家”身份和语言要求SystemMessage(content="你是一个Java专家，用中文回答，解释要通俗易懂，带核心要点"),# Human角色：用户的具体提问（固定为“解释volatile关键字的作用”）HumanMessage(content="解释volatile关键字的作用")
]# 4. 同步调用LLM（invoke()为LangChain标准同步调用方法，类似Java的execute()）
response = model.invoke(messages)# 5. 输出结果（response.content为LLM的核心回复内容）
print("LLM响应结果：")
print(response.content)

执行结果与分析

LLM响应结果：
<think>
好的，我现在需要解释一下Java中的volatile关键字的作用。首先，我得回忆一下之前学过的相关知识。我知道，在Java中，变量分为局部变量、实例变量和静态变量三种类型。这些变量在不同场合下会有不同的行为，尤其是在多线程环境中处理时，就需要特别注意。volatile关键字主要是针对实例变量的，它的作用是告诉编译器这个变量不会被其他线程修改。这样编译器就可以做一些优化，比如不使用 locks（锁），直接读取和写入同一个内存块，避免了潜在的竞态条件问题。举个例子，在一个线程中更新变量x，另一个线程在等待的时候读取x，这时候由于变量是volatile，两个线程会在同一个内存块上操作，不会有 race condition的问题出现。这样不仅解决了竞态条件，还可能提升性能，因为不涉及锁的开销。但是需要注意的是，volatile并不完全等同于静态类型。虽然静态类型在单个线程内不可修改，但它是被其他线程可见的，可能会导致竞态条件或错误的行为。而volatile变量虽然是不可变的，但它对其他线程是可见的，所以最好使用final关键字来隐藏它的可见性。综合来说，volatile的关键字通过告诉编译器变量不会被修改，从而优化性能并解决竞态条件问题，但需要注意它的使用场景和限制。
</think>### 解释：`volatile` 关键字在 Java 中用于标识一个 instance variable（实例变量），声明该变量不会被其他线程修改。当变量被标记为 `volatile` 时，编译器知道这个变量的值是可见的，并且不会有其他线程对它进行更新。### 核心要点：1. **阻止并发读写**：- 当两个或多个线程在访问同一个 instance variable 时，默认情况下这些线程会竞争锁（mutex）来避免修改和读取操作冲突。`volatile` 关键字可以将这种情况下的竞态条件问题消除。2. **优化性能**：- 因为 `volatile` 变量不会被其他线程修改，编译器可以对访问该变量的代码进行更有效的优化，比如直接使用内存中的值而不需要等待锁的到来。3. **可见性**：- 虽然 `volatile` 关键字阻止了其他线程对变量的修改，但它并没有隐藏变量的可见性。其他线程可以读取和写入该变量，但不会进行任何修改。4. **结合 final**：- 如果在字段上同时使用 `final` 和 `volatile`，则表示这个字段是不可修改且不可见的（除了当前线程），这样的字段通常用于私有常量或者作为缓存的保护机制。### 示例：```java
public class MyClass {volatile int x = 0;public void updateX() {// 只能被同一个线程内部使用x++;}
}// 可见性问题：其他线程可以通过读取x，但无法修改它。
int y = new MyClass().x; // y的值也是 1// 不许其他线程修改：
public void otherThreadUpdateX() {// 这里会抛出一个 ConcurrentModificationException
}### 总结：`volatile` 关键字通过阻止其他线程对变量进行修改，使得变量在单个实例内是不可变的。这种特性允许编译器对访问该变量的操作进行优化，并且也隐含了该变量对所有线程都是可见的。

• 核心亮点：无需模板，直接通过SystemMessage固定角色，快速实现“领域专家”的基础能力；
• 适用场景：角色和提问场景固定（如专属技术问答、固定知识科普）。

三、案例2：带参数的领域专家——动态角色与个性化输出

场景需求：构建一个“可切换领域”的专家模型——支持动态指定领域（如机器学习、Python、Java）、输出风格（如“用比喻说明”“带代码示例”），并解释用户指定的概念（如过拟合、装饰器）。

核心思路

用from_template定义单角色的参数化模板（系统角色模板+用户角色模板），再用from_messages组合成完整对话模板，最后用format_messages注入动态参数（领域、风格、概念），实现“一次模板，多场景复用”。

完整代码与拆解

# 1. 导入依赖：LLM客户端 + 模板类
from langchain_openai import ChatOpenAI
from langchain_core.prompts import (ChatPromptTemplate,          # 对话模板容器SystemMessagePromptTemplate, # 系统角色模板HumanMessagePromptTemplate   # 用户角色模板
)# 2. 步骤1：用from_template定义单角色参数化模板（核心：{变量名}表示动态参数）
# 系统角色模板：动态指定领域（{domain}）和输出风格（{style_guide}）
system_template = SystemMessagePromptTemplate.from_template("你是一位专业的{domain}专家，回答需严格满足：{style_guide}"
)
# 用户角色模板：动态指定要解释的概念（{concept}）
human_template = HumanMessagePromptTemplate.from_template("请解释：{concept}"
)# 3. 步骤2：用from_messages组合多角色模板（将系统模板和用户模板整合为完整对话）
chat_prompt = ChatPromptTemplate.from_messages([system_template,  # 加入系统角色模板human_template    # 加入用户角色模板
])# 4. 步骤3：用format_messages注入动态参数（生成可直接传给LLM的消息列表）
# 这里指定：领域=机器学习，风格=用比喻+示例，概念=过拟合
messages = chat_prompt.format_messages(domain="机器学习",style_guide="使用生活比喻和具体示例说明，避免专业术语堆砌",concept="过拟合"
)# 5. 初始化LLM模型（同案例1）
model = ChatOpenAI(model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址api_key="none",  # 本地模型通常不需要真实API密钥temperature=0.7  # 可根据需要调整温度参数
)# 6. 调用LLM并输出结果
response = model.invoke(messages)
print("带参数领域专家响应结果：")
print(response.content)

执行结果与分析

带参数领域专家响应结果：
<think>
嗯，用户问的是“过拟合”，我得先理解一下这个概念。过拟合在机器学习中是一个常见的问题，指的是模型在训练数据上表现很好，但是泛化能力差，在新的数据上效果不佳。要怎么用生活比喻来解释呢？比如，学生考试前过度复习，记住了所有题型，结果考试时遇到新题型就发挥不好。这个比喻挺直观的，大家都能明白。具体例子方面，可以想到分类问题，比如识别水果。如果模型只学了几个特定的水果的样子，碰到其他新的水果就会搞错，这就是过拟合的表现。这样用户就能明白为什么过拟合是个大问题。还要解释原因和解决方法。过拟合的原因通常是训练数据不够或者模型复杂度太高。解决办法包括正则化、交叉验证、简化模型等，这些在实际操作中都是常用的方法。最后，总结一下过拟合的影响，强调需要找到一个平衡点，让模型既能记住训练内容又具备泛化能力。
</think>过拟合就像一个学生在考试前过度复习，结果记住了所有练习题的解法，但遇到新的题目时却无法运用这些知识正确作答。这种现象可以用生活中的例子来更好地理解。### 生活比喻：
想象一下你正在学习如何识别水果。如果你花了很多时间仔细研究每种水果的样子，甚至记住它们的每一个细节（比如某个苹果的具体颜色、纹路等等），结果当你看到一个新的水果时，无法准确判断它是什么。这就是过拟合的表现：模型在训练数据中表现得太好，但不能很好地应对新的、未知的情况。### 具体示例：
1. **分类问题**：你有一个分类模型，用来识别图片中的物品（比如动物、植物等）。如果你的模型经过过度训练，它可能会非常熟悉已有的图片，甚至记住每个细节。然而，当它面对一张从未见过的新图片时，可能无法正确分类——这就是过拟合。2. **正则化问题**：在一个简单的线性回归模型中，如果模型过于复杂（即参数过多），它可能会完美地拟合训练数据集。然而，这样的模型在预测新的数据时往往表现不佳，因为它对训练数据的噪声和异常值过于敏感——这也是过拟合的一个典型例子。### 原因与解决方法：
- **原因**：过度复杂的模型（比如深度神经网络）或者缺乏足够的训练数据都可能导致过拟合。
- **解决方法**：- 使用正则化技术，限制模型的复杂度。- 增加训练数据量或使用数据增强（data augmentation）来提高模型的泛化能力。- 进行交叉验证以确保模型在不同数据集上表现良好。### 总结：
过拟合的本质是模型在学习过程中过于专注于训练数据，而忽略了数据中的普遍规律。为了避免这种情况，关键在于找到一个平衡点：让模型既能记住训练内容，又具备泛化的能力。

• 核心亮点：通过from_template定义参数化模板，from_messages组合，实现“一套代码支持多领域、多风格”，复用性极强；
• 关键逻辑：from_template负责“拆”（单角色参数化），from_messages负责“合”（多角色整合），format_messages负责“填”（注入参数）。

四、案例3：合规客服系统——场景化约束与风险控制

场景需求：构建一个企业客服助手，需满足严格的合规规则：不透露内部系统名、不提供医疗/金融建议、特定场景（如病情咨询、支付问题）转人工，同时支持动态指定企业名称、用户等级。

核心思路

用ChatPromptTemplate.from_messages直接定义“系统+用户”的组合模板（跳过单独的from_template，适合模板逻辑较简单的场景），在system prompt中明确合规约束，通过参数注入业务信息（企业名、转人工条件、用户等级），确保LLM严格遵守规则。

完整代码与拆解

# 1. 导入依赖：LLM客户端 + 对话模板
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate# 2. 初始化LLM模型（同前）
# model = ChatOpenAI(
#     model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写
#     base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址
#     api_key="none",  # 本地模型通常不需要真实API密钥
#     temperature=0.7  # 可根据需要调整温度参数
# )# 3. 步骤1：用from_messages定义合规客服模板（系统角色含约束，用户角色含参数）
compliance_template = ChatPromptTemplate.from_messages([# 系统角色：明确企业、合规规则、转人工条件（{company}、{transfer_cond}为参数）("system", """您是{company}的客服助手，必须严格遵守以下规则：
1. 不透露任何内部系统名称（如CRM、订单系统名）；
2. 绝对不提供医疗建议、金融投资建议；
3. 遇到{transfer_cond}这类问题，必须回复“已为您转接人工客服，请耐心等待”，不做额外解释；
4. 回复需礼貌，开头需称呼用户等级（如“VIP用户您好”）。"""),# 用户角色：动态指定用户等级（{user_level}）和提问（{query}）("human", "[{user_level}用户]：{query}")
])# 4. 步骤2：注入参数生成消息列表（模拟“VIP用户问感冒吃什么药”）
messages = compliance_template.format_messages(company="老王医生",    # 企业名称transfer_cond="病情咨询、支付问题",  # 转人工条件user_level="VIP",            # 用户等级query="感冒应该吃什么药？"    # 用户提问（属于“病情咨询”，需转人工）
)# 5. 调用LLM并输出结果
response = model.invoke(messages)
print("合规客服系统响应结果：")
print(response.content)

执行结果与分析

合规客服系统响应结果：
<think>
好，我现在需要处理用户的咨询。用户是VIP级别的，询问感冒应该吃什么药。首先，我要确认用户的需求是否涉及医疗建议。根据规则，我不能提供医疗建议或医疗建议的回复，所以这可能是一个问题。接下来，查看是否有内部系统名称提到。这里并没有提到任何CRM或其他系统，所以我可以继续处理。然后，考虑是否需要转接人工客服。根据规则，遇到健康咨询时，应该转接，而不是给出药物建议。即使用户想知道吃什么药，但直接给出药物可能违反规定，所以可能需要转接。另外，检查是否有其他问题，比如支付问题或订单问题，这显然不在当前范围内。现在决定：按照规则，当涉及到健康咨询时，应转接人工客服，而不提供药物推荐。因此，我应该回复用户，让他们耐心等待，并转接他们到人工客服。最后，确保回复礼貌，开头称呼VIP用户，并符合所有规定。
</think>已为您转接人工客服，请耐心等待。

• 核心亮点：通过system prompt的“规则清单”实现强约束，LLM会自动识别用户提问是否命中“转人工条件”（如案例中“感冒吃药”属于“病情咨询”），严格执行合规逻辑；
• 关键设计：将“可变业务信息”（企业名、转人工条件）设为参数，无需修改模板即可适配不同企业/场景，降低维护成本。

五、实战总结：核心流程与关键技巧

1.3个实战技巧

• 模板设计：简单场景用from_messages直接定义组合模板；复杂场景用from_template拆单角色模板，再用from_messages整合；
• 合规控制：将规则（如禁止内容、转人工条件）写在system prompt中，用“清单式描述”（1.2.3.）让LLM更易理解；
• 参数化：把“可变信息”（领域、企业名、用户等级）设为参数，避免硬编码，提升模板复用性。

2. 模型替换建议

案例中用的是deepseek，若想替换为其他模型，只需修改model_name和base_url：

• GPT-3.5/4：model_name="gpt-3.5-turbo"，base_url="https://api.openai.com/v1"；
• Claude 3：需用langchain_anthropic库的ChatAnthropic类，而非ChatOpenAI。

关注我，跟着实战学AI大模型不迷路～ 🚀