上一篇文章末尾给出了LangChain的简单调用例子，当然LangChain还支持更丰富的功能设置，接下来就介绍如何使用LangChain封装AI执行链，以实现更复杂的功能调用。
一、构造大模型实例
在构造大模型实例之前，要先添加下面的导包语句，表示引入LangChain的大模型工具OllamaLLM：
from langchain_ollama import OllamaLLM在OllamaLLM的构造方法中，model参数是必填的，要指定当前引用的大模型名称，如下：
# 连接本地离线大模型（Ollama） llm = OllamaLLM(model="qwen2:1.5b")除了model参数以外，OllamaLLM还提供了多个可选参数，帮助开发者定制个性化的大模型调用需求。其中常用的核心参数说明如下：
model: 模型名称，比如："qwen:7b"、"llama3"、"deepseek-r1"等等。
base_url: 服务地址，默认的本地地址为"http://localhost:11434"。
temperature: 模型温度，即随机性。取值范围0~1，默认0.8；值越低则越严谨越确定，值越高越跳跃越创意。
num_ctx: 上下文Token的最大数量，默认2048。值越大则能记忆越长的对话内容。
num_predict: 回答内容Token的最大数量，默认128。值为-1表示不限制输出长度，值为-2表示填满上下文（跟上下文的Token数一致）。
keep_alive: 模型常驻内存的时长（频繁调用必开），默认"5m"表示5分钟。值为"-1"表示永久常驻，值为"0"表示用完即关。
validate_model_on_init: 初始化时是否校验模型存在与否，默认True表示启动程序时检查模型是否存在。
比如下面代码构造了一个定制各种参数的大模型实例：
llm = OllamaLLM( model="qwen2:1.5b", base_url="http://localhost:11434", temperature=0.7, num_ctx=4096, num_predict=1024, keep_alive="-1", validate_model_on_init=True )二、构建提示词模板
在构建提示词模板之前，要先添加下面的导包语句，表示引入LangChain的提示模板工具PromptTemplate：
from langchain_core.prompts import PromptTemplatePromptTemplate的from_template方法主要输入字符串形式的模板参数，字符串的开头为提示词内容，末尾为“{input}”表示给输入的问题文字占个位子。
比如下面代码构建了一个提示词模板：
prompt = PromptTemplate.from_template(""" 你是专业助手，请简洁回答： {input} """)可见上面模板的提示词内容为“你是专业助手，请简洁回答：”，这便告诉大模型回答时要简明扼要，不要啰哩叭嗦。同时后面的“{input}”提前在模板中占个位置，后续将把用户输入的问题替换掉这个占位符。
三、组装 AI 执行链
为什么LangChain一定要组装执行链呢？想想看，按照程序设计的顺序控制流程，每次接口调用都经历了三个步骤：封装请求内容→执行接口调用→解析应答内容，如同下面的顺序调用代码：
# 无链 → 手写每一步，巨繁琐！ prompt_text = prompt.format(input="你的问题") # 1 手动拼模板 response = llm.invoke(prompt_text) # 2 手动调模型 result = parser.parse(response) # 3 手动解析可见这个接口调用流程被分解成了三行代码，有点繁琐。虽然上一行代码的输出参数就是下一行代码的输入参数，但也不得不分成三个语句依次调用。
于是LangChain引入了执行链的概念，把“构建提示词、调用模型、记忆（可选）、检索（可选）、解析应答”等操作按顺序串成一条自动流水线，只要一次性启动组装好的执行链，LangChain就自动跑完全流程，无需拆成多条语句来调用。
在组装执行链之前，要先添加下面的导包语句，表示引入LangChain的执行链工具RunnableSequence，以及默认的应答内容解析器StrOutputParser：
from langchain_core.runnables import RunnableSequence from langchain_core.output_parsers import StrOutputParser然后编写下面代码串起“构建提示词、调用模型、解析应答”这三个操作：
chain = RunnableSequence( prompt | llm | StrOutputParser() )为了方便起见，可省略掉构造方法的工具名称RunnableSequence，简化代码如下：
chain = ( prompt | llm | StrOutputParser() )还能进一步省略掉外围的圆括号，变成如下的一行代码：
chain = prompt | llm | StrOutputParser()这下清爽多了，完全去掉了组装过程中的各种方法调用及其输入输出参数，只留下各环节用到的实例名称，极大地简化了代码篇幅。
四、通过执行链调用离线大模型
接下来结合构造大模型实例、构建提示词模板、组装 AI 执行链等三个步骤，通过执行链调用实现离线大模型的快速问答功能。
在编写Python代码前，要先在命令行执行下面的pip安装命令：
pip install langchain langchain-core langchain-ollama接着在命令行窗口执行下面命令，以便启动Ollama并加载离线大模型：
ollama serve然后编写下面的Python聊天测试代码，由用户在控制台输入问题来实现聊天交互：
from langchain_core.prompts import PromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_ollama import OllamaLLM def main(): # 1. 连接本地Ollama离线模型，替换成你本地模型名 llm = OllamaLLM( model="qwen2:1.5b", base_url="http://127.0.0.1:11434", temperature=0.7 # 随机性 0严谨~1创意 ) # 2. 构建对话模板 prompt = PromptTemplate.from_template(""" 你是专业助手，请简洁回答： {input} """) # 3. 组装执行链 chain = prompt | llm | StrOutputParser() # 4. 循环问答聊天 print("===== 离线AI聊天助手（输入exit退出）=====") while True: user_text = input("请输入问题：") if user_text.lower() in ["exit", "quit", "退出"]: print("对话结束") break print("AI思考中...") response = chain.invoke(user_text) print(f"AI回复：{response}\n") if __name__ == "__main__": main()运行上面的Python代码，根据提示输入问题内容“LangChain是什么？”，输出日志结果如下：
===== 离线AI聊天助手（输入exit退出）===== 请输入问题：LangChain是什么？ AI思考中... AI回复：Langchain 是一个基于 PyTorch 的开源语言模型推理框架，用于构建和训练大型的预训练模型。它提供了一个简单的 API 来处理输入数据，然后返回文本或代码作为输出。由日志信息发现，通过调用LangChain的执行链，初步实现了简单的AI对话功能，下一篇文章将介绍如何给AI对话添加记忆功能。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？
别再浪费时间啦！2026 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明：AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！