LangChain 入门实战：从模型调用到提示词模板

LangChain是什么？

LangChain 是一个用于开发基于大语言模型（LLM）应用程序的框架。它的核心思想是提供一套标准化的接口和组件，让开发者能够更方便地连接和组合各种大模型、工具和数据源，从而快速构建复杂的 AI 应用（如 Agent、对话机器人、RAG 系统等）。

简单来说，LangChain 就像一个 “AI 应用的 USB 集线器”：

  • 它定义了统一的接口，让不同厂商的大模型（如 OpenAI、通义千问、DeepSeek 等）都能以相同的方式被调用
  • 它将各种组件（模型调用、提示词模板、记忆管理、工具调用等）链接在一起，降低开发复杂度
  • 开发者可以专注于业务逻辑，而不需要关心不同模型 API 的细节差异

LangChain 架构示意图

LangChain 与 LangGraph 的关系

LangChain 是学习 AI-Agent 开发框架的基础版本，适合入门和快速原型开发。其生产版本为 LangGraph，提供了更细致的 Agent 控制流程和状态管理。建议先掌握 LangChain 的基本用法，再深入学习 LangGraph。

安装模块

pip install langchain langchain-community langchain-deepseek

一、模型调用接口 💻 ☁️

在调用模型前需要将各自模型服务商的API Key存入环境变量，具体变量名可以查看每个模型类的函数文档。

  • 找到API Key变量名后在PYCharm项目运行设置中添加对应环境变量，模型类一般会自动查找环境变量读取自己家的 API key变量名

    在这里插入图片描述

  • 模型API网关一般也内置在模型类中，不需要手动填写base url参数

    在这里插入图片描述

Jupyter Notebook项目中：

在这里插入图片描述


在这里插入图片描述

常规Python项目中：

在这里插入图片描述


在这里插入图片描述

# 目前 LangChain 支持三种模型调用

LangChain 主要支持以下三种类型的模型调用：

1. 大模型调用（LLM）

传统的大语言模型接口，主要用于文本续写任务。

使用方法

使用 langchain_community.llms 模块下的各类大模型接入类：

# 导入通义千问大模型
from langchain_community.llms.tongyi import Tongyi

# 选择大模型版本创建模型对象
tongyi_model = Tongyi(model="qwen-max")

# 调用模型
response = tongyi_model.invoke("你好，告诉我你是谁？")
print(response)

2. 对话模型调用（ChatModel）

支持多轮对话、角色区分（System/Human/AI）的现代对话接口。

import os
from IPython.display import display, Markdown
from langchain_community.chat_models.tongyi import ChatTongyi

# 创建对话模型对象
tongyi_chat_model = ChatTongyi(model="qwen3-max")

# 调用对话模型（支持消息列表）
response = tongyi_chat_model.invoke([
    ("system", "你是一名翻译官，精通中英互译..."),
    ("human", "peter out是什么意思？")
])

print(response)
display(Markdown(response.content))

3. 文本嵌入模型调用（Embeddings）

用于将文本转换为向量表示，常用于 RAG、语义搜索等场景。

from langchain_community.embeddings import DashScopeEmbeddings

# 创建文本嵌入模型对象
dashscope_embedding = DashScopeEmbeddings()

# 单文本向量化
text_vector = dashscope_embedding.embed_query("测试文本")
print(f"向量维度：{len(text_vector)}")

# 多文本向量化
texts = ["文本1", "文本2", "文本3"]
vectors = dashscope_embedding.embed_documents(texts)
print(f"向量数量：{len(vectors)}")

大模型和对话模型的区别

大模型（LLM）

传统文本续写模型，主要用于单轮文本生成任务。

特点：

  • 接口输入：纯文本字符串
  • 接口输出：纯文本字符串
  • 会话角色：没有 System/Human/AI 消息角色概念，只做文本续写
  • 适用场景：简单的文本生成、补全、翻译等单轮任务

对话模型（ChatModel）

现代对话接口，支持多轮对话、角色区分和多模态。

特点：

  • 接口输入：消息对象列表 [SystemMessage, HumanMessage, AIMessage, ...]
  • 接口输出：消息对象（通常是 AIMessage）
  • 会话角色：明确区分 System/Human/AI 角色，支持多轮对话上下文
  • 适用场景：对话机器人、AI Agent、RAG 系统等需要上下文管理的应用

为什么 ChatModel 更适合现代 AI 应用？

LLM 链路需要手动拼接消息为长文本，容易丢失角色信息和上下文。ChatModel 天然支持消息列表，能更好地管理：

  1. 对话历史：自动维护多轮对话上下文
  2. 角色设定：通过 SystemMessage 设定 AI 角色和指令
  3. 记忆管理：方便集成记忆组件
  4. 工具调用：支持 Function Calling 等高级功能

因此，ChatModel 更适用于 Agent、对话机器人、RAG 等复杂工程场景。

  • 文本嵌入模型调用类

from langchain_core.embeddings import Embeddings
# 导入阿里千问的嵌入模型调用对象
from langchain_community.embeddings import DashScopeEmbeddings
# 导入百度千帆的嵌入模型调用对象
from langchain_community.embeddings import QianfanEmbeddingsEndpoint
# 导入百川智能的百川嵌入模型调用对象
from langchain_community.embeddings import BaichuanTextEmbeddings

# 创建一个文本嵌入模型对象，默认使用的是text-embedding-v1嵌入模型将文本转为向量
dashscope_embedding = DashScopeEmbeddings()

#没有下面两个服务商的token plan 注释掉避免API key为空报错
# qianfan_embedding = QianfanEmbeddingsEndpoint()
# baichuan_embedding = BaichuanTextEmbeddings()


prompt = "测试文本向量化的一段提示词"
prompt_list = [
    "提示词1",
    "提示词2",
    "提示词3"
]


def Text_Vectorize(prompt:str, prompt_list:list, model_brand:str, model:Embeddings):
    # 单字符串向量化
    text_vector = model.embed_query(prompt)
    print(f"{model_brand}嵌入模型会将任何长度的一段文本向量化为一个：{len(text_vector)} 维数组")
    print("[",text_vector[:9],"………… ]")

    # 字符串列表向量化  embed_documents方法可以一次向量化多个文本
    text_vector_list = model.embed_documents(prompt_list)
    print(f"字符串列表向量化时，返回的数组外层包含 {len(text_vector_list)} 个字符串的向量列表")

    num=1
    for i in text_vector_list:
        print(f"第{num}个字符串的是{len(i)}维数组")
        num+=1

Text_Vectorize(prompt, prompt_list, "DashScope", dashscope_embedding)

# Text_Vectorize(prompt, prompt_list, "Qianfan", qianfan_embedding)
# Text_Vectorize(prompt, prompt_list, "Baichuan", baichuan_embedding)


DashScope嵌入模型会将任何长度的一段文本向量化为一个：1536 维数组
[ [-2.2869248390197754, 5.077755928039551, -2.937793016433716, 1.8150824308395386, 6.147032260894775, -4.180476665496826, -5.197314262390137, -1.9464890956878662, -2.2935221195220947] ………… ]
字符串列表向量化时，返回的数组外层包含 3 个字符串的向量列表
第1个字符串的是1536维数组
第2个字符串的是1536维数组
第3个字符串的是1536维数组

创建提示词模板需要引入 PromptTemplate 类接口：

  • 传统 LLM 接口：使用 langchain_core.prompts 中的 PromptTemplate 类
  • 对话模型接口：使用 langchain_core.prompts 中的 ChatPromptTemplate 类

提示词模板的主要作用是：

  1. 标准化输入格式：统一提示词结构
  2. 变量替换：动态注入上下文信息
  3. 复用性：一次定义，多次使用
  4. 可组合性：多个模板可以组合使用
    mptTemplate`

1.零样本提示词模板调用

from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi

# 创建一个模型对象用于调用云端模型
tongyi_model = Tongyi(model="qwen-max")

########
# 模型直接调用注入好的提示词模板
########
# 从一段模板文本中提取提示词模板，作为一个PromptTemplate对象使用它，可以通过format注入变量值
prompt_template = PromptTemplate.from_template("你好，我是{name}，你是谁啊？")

# 为提示词模板对象中的占位符变量名
prompt = prompt_template.format(name="帅炸过一条街的男人")
# 将提示词交给模型，发起问询
print(tongyi_model.invoke(prompt)+'\n'+"#"*100)


########
# 通过链式调用提示词模板
#######
# 使用Runnable对象自带的魔法函数管道符号，将模板作为模型的输入内容，创建一个链
chain = prompt_template | tongyi_model
# 为模板中的变量名赋值，这里需要注意链式调用invoke中要传递input参数，键值对用字典传入input
print(chain.invoke(input={"name":"帅炸过一条街的男人"}))

你好！我是来自阿里云的大规模语言模型，我叫通义千问。你的名字真有趣，很高兴认识你！
####################################################################################################
你好！我是来自阿里云的大规模语言模型，我叫通义千问。你这个介绍真是非常有个性啊，听起来就让人印象深刻。作为你的助手，我的目标是帮助你解答问题、提供信息和支持。有什么我可以帮到你的吗？

2. 少量样本提示词模板调用

from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate


#  创建用于云端模型调用的模型对象
tongyi_model = Tongyi(
    model="qwen-max"
)
# 从模板字符串中提取样本消息内容的提示词模板
example_prompt_template =  PromptTemplate.from_template('单词：{word}\t词性:{word_class}\t中文:{chinese}')

# 这是示例消息样本的字典列表
examples = [
    {"word": "capable" , "word_class":"adj" , "chinese":"有能力的，能胜任的"},
    {"word": "hamburger" , "word_class":"n" , "chinese":"汉堡"},
    {"word": "peter out" , "word_class":"phrase" , "chinese":"逐渐停止，慢慢消失"},
]

# 将示例字典融合进提示词模板
prompt = FewShotPromptTemplate(
    # 示例内容部分的模板
    example_prompt= example_prompt_template,
    # 示例的内容列表，注意键名是否与模板中变量名一致
    examples = examples,
    # 这里是前缀于 注入好值的示例内容文本之前的提示词文本
    prefix = "你是一名英文翻译专家，精通中英双语，现在需要你按照下面的示例，为用户提供单词翻译服务",
    # 这是后缀在 注入值后示例内容文本之后的提示词内容，可以再使用模板设置用户问询内容的变量
    suffix = "严格根据以上示例的字段结构，输出{english}翻译后的json对象，保持字段名和字段数量一致",
    # 这个就是在前缀或后缀中有模板变量的话，将变量名列表写出来，invoke时填写的就是这个列表的形参列表
    input_variables = ['english']
)
# 这里我设置一个短语作为用户询问的文本内容
inquiry = "While you are at it. 这个短语在什么情境下使用，怎么搭配"

chain = prompt| tongyi_model

print(chain.invoke(input={"english": inquiry}))



```json
{
  "单词": "While you are at it",
  "词性": "phrase",
  "中文": "既然你在做这件事；趁这个机会"
}
```

这个短语通常用于建议某人在执行某个任务时，顺便也做另一件相关的事情。例如，在英语中可以说：“While you are at the store, could you pick up some milk?” 翻译成中文就是：“你去商店的时候，能不能顺便买点牛奶？”

剩余部分仍待学习，我将每日更新langchain的学习过程。
如果觉得我的笔记对你有所帮助，请不要吝惜你的大拇指，为我点个赞吧👍Salute!

# python
Logo
MCP技术社区

欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！

更多推荐

cover

【Bug已解决】Workspace path with spaces / Special characters in path — Claude Code 路径含空格或特殊字符解决方案

avatar MCP技术社区
cover

【Bug已解决】Memory leak / High memory usage / Process killed — Claude Code 内存泄漏解决方案

avatar MCP技术社区
cover

MCP协议、熔断器与OAuth——Agent接入外部世界的工程方案

avatar MCP技术社区