首页/资讯中心/详情

LangChain 零基础快速上手：从 Hello World 到智能文档问答助手

LangChain 零基础快速上手：从 Hello World 到智能文档问答助手
📅 发布时间：2026/7/22 4:40:26

一、引言：大模型浪潮下的开发困境

随着 ChatGPT 的爆火，大模型（Large Language Model, LLM）已成为开发者工具箱中的新宠。然而，当我们兴奋地拿到 OpenAI API Key，准备大干一场时，却常常陷入这样的困境：

  • 裸调 API 的局限性：每次调用都是“一问一答”的孤立对话，模型无法记住之前的聊天内容。
  • 上下文管理复杂：想实现多轮对话？需要自己维护历史消息列表，并小心翼翼地控制 Token 数量。
  • 功能扩展困难：想让 AI 读取本地 PDF 文件并回答问题？仅靠 API 调用，你需要自己处理文档加载、文本分割、向量化、检索等一系列繁琐步骤。

这正是LangChain诞生的背景。它不是一个新的大模型，而是一个用于开发基于大模型的应用框架。想象一下这个场景：你有一堆技术文档（PDF/TXT），希望搭建一个智能助手，能够理解文档内容并回答你的问题。如果只用裸 API，你需要写大量胶水代码；而使用 LangChain，你可以像搭积木一样，快速组合出完整的解决方案。

本文目标：面向零基础开发者，带你快速理解 LangChain 的核心概念，并通过一个完整的“智能文档问答助手”实战项目，让你学完就能独立搭建自己的 AI 应用。

二、LangChain 是什么？

官方定位：LangChain 是一个用于开发由语言模型驱动的应用程序的框架。

核心设计理念：模块化与可组合性。它将构建 LLM 应用所需的常见功能（如提示词管理、记忆、工具调用、数据检索）抽象成独立的组件，开发者可以通过“链”（Chain）的方式将这些组件串联起来，形成复杂的工作流。

与传统开发方式对比：

方式特点示例（实现文档问答）
直接调用 OpenAI API灵活但繁琐，所有逻辑（加载、分割、检索、提示）都需要自己实现。需要编写文档加载器、文本分割器、向量数据库客户端、检索逻辑，并将所有结果拼接成最终的 Prompt 发送给 API。
使用 LangChain开箱即用，提供标准化组件和高级接口，专注于业务逻辑。使用内置的 Document Loader、Text Splitter、VectorStore 和 RetrievalQA Chain，几行代码即可搭建原型。

简而言之，LangChain 让开发者从“造轮子”中解放出来，更专注于应用创新。

三、环境准备与安装

在开始编码之前，请确保你的环境满足以下要求：

  1. Python 环境：建议使用 Python 3.8 或更高版本。
  2. 安装 LangChain：使用 pip 进行安装。
    pip install langchain
  3. 安装相关依赖：根据你的需求，可能还需要安装以下包：
    # 用于连接 OpenAI 模型 pip install openai # 用于文档加载（如 PDF） pip install pypdf # 用于向量存储（本地示例使用 Chroma） pip install chromadb # 用于文本嵌入 pip install tiktoken
  4. API Key 配置：
    • OpenAI：在代码中设置环境变量。
      import os os.environ["OPENAI_API_KEY"] = "你的-OpenAI-API-Key"
    • 国产大模型：如通义千问、文心一言等，通常也支持通过 LangChain 接入，配置方式类似，需参考对应模型的文档。

四、LangChain 五大核心组件详解

理解这些组件是使用 LangChain 的基础。

1. Model（模型）

封装了各类大模型，主要分为两类：

  • LLM：纯文本补全模型（如 text-davinci-003），输入文本，输出文本。
  • Chat Model：对话模型（如 gpt-3.5-turbo），输入为消息列表（System, Human, AI），输出为 AI 消息。

2. Prompt（提示词）

通过PromptTemplate管理提示词，支持变量插值和 Few-Shot 示例，让提示工程变得规范且可复用。

3. Chain（链）

LangChain 的核心。将多个组件（模型、提示词、工具等）按顺序连接起来，形成一个完整的工作流。最简单的链是LLMChain（模型 + 提示词）。

4. Memory（记忆）

让对话具备上下文能力。常见的 Memory 类型有ConversationBufferMemory（保存所有历史对话）、ConversationSummaryMemory（总结历史对话以节省 Token）等。

5. Agent（代理）

让 LLM 具备自主决策能力，可以理解用户需求，并动态选择调用合适的工具（如搜索引擎、计算器、数据库）来完成任务，而不仅仅是生成文本。

五、快速上手：写一个 Hello World

让我们用最简单的LLMChain来感受一下 LangChain 的威力。

from langchain.llms import OpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain 1. 初始化模型 llm = OpenAI(temperature=0.9) # temperature 控制创造性 2. 创建提示词模板 prompt = PromptTemplate( input_variables=["product"], template="为一家生产 {product} 的公司起一个朗朗上口的名字。", ) 3. 创建链 chain = LLMChain(llm=llm, prompt=prompt) 4. 运行链 result = chain.run("环保可降解咖啡杯") print(result) 可能的输出："绿杯未来 (GreenCup Future)" 或 "大地之杯 (EarthCup)"

关键代码解读：

  • LLM：封装了 OpenAI 的模型。
  • PromptTemplate：定义了一个带变量{product}的模板。
  • LLMChain：将模型和提示词组合成一个可执行单元。
  • chain.run()：传入变量值，执行整个链，得到模型输出。

看，我们只用了几行代码，就完成了一个可定制化的文本生成任务！

六、实战项目：搭建一个“智能文档问答助手”

需求分析

目标：上传一个 PDF 或 TXT 文档，AI 能够基于文档内容，准确回答用户提出的问题。

技术方案（RAG 流程）

  1. Document Loader：加载本地文档。
  2. Text Splitter：将长文档分割成适合处理的小块。
  3. Embeddings & Vector Store：将文本块转换为向量，并存入向量数据库。
  4. RetrievalQA Chain：用户提问时，从向量库中检索相关文本块，连同问题一起发送给 LLM 生成答案。

完整代码实现（含注释）

import os from langchain.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chains import RetrievalQA from langchain.llms import OpenAI 设置 API Key os.environ["OPENAI_API_KEY"] = "你的-OpenAI-API-Key" 1. 加载文档 loader = PyPDFLoader("./your_document.pdf") # 替换为你的PDF路径 documents = loader.load() 2. 分割文本 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 每个块的最大字符数 chunk_overlap=50 # 块之间的重叠字符数，保持上下文连贯 ) texts = text_splitter.split_documents(documents) 3. 创建向量数据库 embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_documents(texts, embeddings) 4. 创建检索式问答链 qa_chain = RetrievalQA.from_chain_type( llm=OpenAI(), chain_type="stuff", # 将检索到的文档“塞”进提示词 retriever=vectorstore.as_retriever() ) 5. 进行问答 while True: query = input("\n请输入你的问题 (输入 'quit' 退出): ") if query.lower() == 'quit': break answer = qa_chain.run(query) print(f"答案: {answer}")

效果演示

运行上述代码，程序会加载你的 PDF，建立索引。之后，你可以像与 ChatGPT 对话一样，用自然语言提问关于文档内容的问题，AI 会基于文档内容生成答案。

（此处可放置程序运行截图或 GIF，展示加载文档和问答过程）

七、进阶拓展（可选阅读）

  • 使用国产大模型：LangChain 支持多种模型后端。你可以轻松地将OpenAI()替换为ChatTongyi（通义千问）或ChatBaidu（文心一言）等。
  • 接入外部工具：利用Agent，让 LLM 调用搜索引擎、计算器或数据库查询，完成更复杂的任务。
  • 使用 LangServe 部署为 API 服务：将搭建好的 Chain 快速封装成 REST API，方便集成到其他应用中。

八、总结与展望

回顾核心知识点

  1. LangChain 是一个模块化、可组合的 LLM 应用开发框架。
  2. 五大核心组件：Model, Prompt, Chain, Memory, Agent。
  3. 通过Chain可以轻松组合复杂工作流。
  4. RAG（检索增强生成）是让 LLM 掌握私有知识的关键范式，LangChain 提供了完整实现。

LangChain 的适用场景与局限性

适用场景：构建聊天机器人、智能问答、文档分析、代码生成助手等需要与 LLM 深度交互的应用。

局限性：学习曲线存在；对于极其简单的单次 API 调用，可能显得“杀鸡用牛刀”；版本更新较快，需关注社区动态。

推荐学习资源

  • 官方文档：https://python.langchain.com/（最权威）
  • GitHub 示例：LangChain 官方仓库 有大量 Cookbook。
  • 中文社区：关注相关技术博客和公众号，获取本地化实践案例。

常见问题 FAQ

  • Q: 运行时报错 “OpenAI API key not found”。
    A: 请检查是否正确设置了OPENAI_API_KEY环境变量。
  • Q: 处理中文文档时效果不好。
    A: 尝试调整TextSplitter的分割策略（如按句号、换行符分割），或使用针对中文优化的嵌入模型。
  • Q: Token 超限怎么办？
    A: 调整chunk_size减小文本块大小，或使用ConversationSummaryMemory来压缩历史对话。