LangChain 全面入门

什么是 LangChain？

LangChain 是一个专门为 大语言模型 (LLM) 应用开发设计的开源框架，帮你快速实现：
• 多轮对话
• 知识库问答 (RAG)
• 多工具协同调用 (function calling / tool)
• 智能体 Agent 自动决策任务链

解耦 LLM 接口、Prompt、Memory、检索、工具、Agent，模块化管理，专注业务逻辑开发。

LangChain 核心功能详解

Azure OpenAI and Gemini

下文会用langchian来分别对Azure OpenAI和Gemini的实现，所以这里也简单对二者进行一个功能对比。
功能对比

• Azure OpenAI：稳定、企业私有部署强、RAG 知识库生态好、适合企业应用落地。
• Google Gemini：多模态能力超强、文本+图像+音频+视频一体、灵活 AI Copilot 场景首选。

实战案例汇总

环境准备

基本库

!python version  #3.12.x
!pip install python-dotenv requests tiktoken
 
 #langchian
!pip install langchain 

# openai
## Azure 用法同 OpenAI，只是多了 azure_endpoint 和 deployment_name 配置。
!pip install langchain-openai 

# gemini
!pip install langchain-google-genai

验证安装

from langchain import __version__
print(__version__) #0.3.25

.env

GOOGLE_API_KEY=AIza****

AZURE_API_KEY=N2****
AZURE_ENDPOINT=****
AZURE_API_VERSION=2024-12-01-preview
AZURE_DEPLOYMENT=o4-mini-global

LangChain 调用 Gemini/Azure OpenAI 示例

调用 Gemini

from langchain_google_genai import ChatGoogleGenerativeAI
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatGoogleGenerativeAI(
    model="gemini-2.0-flash",
    google_api_key=os.getenv("GOOGLE_API_KEY")
)

# 普通 prompt 调用
response = llm.invoke("用一句话介绍LangChain")
print(response.content)

LangChain是一个用于开发由大型语言模型 (LLM) 驱动的应用程序的框架。

调用Azure OpenAI

from langchain_openai import AzureChatOpenAI
load_dotenv()
llm2 = AzureChatOpenAI(
    deployment_name=os.getenv("AZURE_DEPLOYMENT"),
    openai_api_key=os.getenv("AZURE_API_KEY"),
    azure_endpoint=os.getenv("AZURE_ENDPOINT"),
    api_version=os.getenv("AZURE_API_VERSION"),
    temperature=1
)

response = llm2.invoke("用一句话介绍LangChain")
print(response.content)

LangChain是一个开源框架，通过链式调用、内存管理与工具集成，简化基于大型语言模型的应用构建。

PromptTemplate

from langchain.prompts import PromptTemplate

# PromptTemplate 调用
prompt = PromptTemplate(
    input_variables=["product"],
    template="请写一段关于 {product} 的夸赞"
)
response = llm.invoke(prompt.format(product="小米YU7"))
print(response.content)

略

多轮消息

from langchain.schema import AIMessage, HumanMessage, SystemMessage

# 多轮消息
response = llm.invoke([
    SystemMessage(content="你是一个 Python 顾问，只能用代码回答。"),
    HumanMessage(content="写一个hello world")
])
print(response.content)

```python
print(“Hello, world!”)
```

Few-ShotPromptTemplate

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# Few-ShotPromptTemplate
# 定义范例
examples = [
    {"question": "北京今天天气如何？", "answer": "北京今天晴天 28°C"},
    {"question": "上海今天天气？", "answer": "上海今天多云 27°C"}
]

# 单个示例模板
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template="问：{question}\n答：{answer}\n"
)

# few-shot 模板
prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="问：{input}\n答：",
    input_variables=["input"]
)

response = llm.invoke(prompt.format(input="广州天气？"))
print(response.content)

广州今天多云 30°C

多轮对话+memory

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory2 = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory2)
conversation.run("你好，我是谁？")
print(conversation.run("我刚才说了什么？"))

你刚才说：“你好，我是谁？”

RAG

环境依赖

!pip install faiss-cpu        # 向量数据库，推荐CPU版本
!pip install tiktoken         # Tokenizer

Gemini

from langchain_google_genai import GoogleGenerativeAIEmbeddings, ChatGoogleGenerativeAI
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain.text_splitter import CharacterTextSplitter

# 1. 假想手机产品介绍文本
docs = [
    """
    大豆15PRO 5G 是由星辰科技推出的一款旗舰智能手机，搭载最新的5纳米制程芯片，配备8核处理器和12GB高速内存，确保流畅的多任务处理能力。该机拥有6.7英寸AMOLED全面屏，支持120Hz刷新率和HDR10+显示技术，带来细腻逼真的视觉体验。

    摄像方面，大豆15PRO 5G 配备后置四摄系统，包括一颗1亿像素主摄、超广角镜头、微距镜头和深度感应器，支持夜景增强和4K视频录制功能。前置摄像头为3200万像素，支持美颜和人脸解锁。

    电池容量为4500mAh，支持55W有线快充和30W无线快充，续航表现优异。操作系统基于最新的StarOS，优化了系统流畅度和隐私保护。大豆15PRO 5G 还支持5G双卡双待、NFC支付以及IP68级防尘防水。

    该产品定位高端用户，主打性能和拍照体验，适合游戏玩家和摄影爱好者使用。
    """
]

# 2. 文本拆分
# 就把文本每100个字符拆一块。每个块会和前一个块重叠10个字符。
## 即块为分为[0,100),[91,190)....
text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=10)
texts = []
for doc in docs:
    texts.extend(text_splitter.split_text(doc))

# 3. 初始化 Gemini Embeddings
embeddings = GoogleGenerativeAIEmbeddings(model="models/gemini-embedding-exp-03-07")

# 4. 创建向量索引
vector_store = FAISS.from_texts(texts, embeddings)

# 5.构建 RAG 检索问答链
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vector_store.as_retriever())

# 6. 测试问答
query = "大豆15PRO的规格是什么？"
answer = qa_chain.run(query)
print("Q:", query)
print("A:", answer)

输出:

Q: 大豆15PRO的规格是什么？
A: 大豆15PRO 5G 是一款旗舰智能手机，具有以下规格：
* 芯片：最新的5纳米制程芯片，8核处理器，12GB高速内存
* 屏幕：6.7英寸AMOLED全面屏，120Hz刷新率，HDR10+
* 电池：4500mAh，55W有线快充，30W无线快充
* 操作系统：StarOS
* 网络：5G双卡双待，NFC，IP68级防尘防水
* 后置摄像头：1亿像素主摄、超广角镜头、微距镜头、深度感应器，支持夜景增强和4K视频录制
* 前置摄像头：3200万像素，支持美颜和人脸解锁

Azure OpenAI

from langchain_openai import AzureOpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain_openai import AzureChatOpenAI
from langchain.chains import RetrievalQA
from langchain.text_splitter import CharacterTextSplitter

load_dotenv()
# 1. 假想手机产品介绍文本
#data....

# 2. 文本拆分
# 就把文本每100个字符拆一块。每个块会和前一个块重叠10个字符。
## 即块为分为[0,100),[91,190)....
text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=10)
texts = []
for doc in docs:
    texts.extend(text_splitter.split_text(doc))

# 3. Embeddings 初始化（Azure OpenAI）
embeddings = AzureOpenAIEmbeddings(
    azure_endpoint=os.getenv("AZURE_ENDPOINT"),
    azure_deployment="text-embedding-3-small",
    openai_api_version=os.getenv("AZURE_API_VERSION"),
    openai_api_key=AZURE_API_KEY
)

# 4. 创建向量索引
docsearch = FAISS.from_texts(texts, embeddings)

# 5.构建 RAG 检索问答链
qa_chain = RetrievalQA.from_chain_type(llm=llm2, retriever=docsearch.as_retriever())

# 6. 测试问答
query = "大豆15PRO的规格是什么？"
answer = qa_chain.run(query)
print("Q:", query)

输出:

Q: 大豆15PRO的规格是什么？
A: 大豆15PRO 5G 主要规格一览：

• 处理器  
  – 最新 5 nm 制程 8 核芯片  

• 内存  
  – 12 GB 高速 RAM  

• 屏幕  
  – 6.7 英寸 AMOLED 全面屏  
  – 120 Hz 刷新率  
  – HDR10+ 显示技术  

• 电池与充电  
  – 4500 mAh 电池  
  – 55 W 有线快充  
  – 30 W 无线快充  

• 操作系统  
  – 基于最新 StarOS  

• 网络与连接  
  – 5G 双卡双待  
  – NFC 支付  
  – IP68 级防尘防水  

• 摄像系统  
  – 后置四摄  
     • 1 亿像素主摄  
     • 超广角镜头  
     • 微距镜头  
     • 深度感应器  
  – 夜景增强、4K 视频录制  
  – 前置 3200 万像素自拍摄像头（支持美颜、人脸解锁）

该机面向高端用户，主打性能与拍照体验，适合游戏玩家和摄影爱好者。

Function Calling

Gemini

import os, requests
from langchain.agents import initialize_agent, Tool, AgentType
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_openai import AzureChatOpenAI
from langchain.tools import StructuredTool

def get_weather(city: str) -> str:
    return f"{city} 今天天气晴朗 26°C (模拟数据)"

#weather_tool = Tool(name="get_weather", func=get_weather, description="获取城市天气")

weather_tool_func = StructuredTool.from_function(
    func=get_weather,
    name="get_weather",
    description="获取城市天气"
)

agent_gemini = initialize_agent(
    tools=[weather_tool_func],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)
print("Gemini Tool:", agent_gemini.run("查成都天气"))

输出

> Entering new AgentExecutor chain...
我需要查询成都的天气。
Action: get_weather
Action Input: 成都
Observation: 成都 今天天气晴朗 26°C (模拟数据)
我已经知道了成都的天气。
Final Answer: 成都今天天气晴朗，26°C。

> Finished chain.
Gemini Tool: 成都今天天气晴朗，26°C。

Azure OpenAI

agent_azure = initialize_agent(
    tools=[weather_tool],
    llm=llm2,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True
)
print("Azure Tool:", agent_azure.run("查广州天气"))

输出

> Entering new AgentExecutor chain...

Invoking: `get_weather` with `广州`


广州 今天天气晴朗 26°C (模拟数据)

多工具任务链 Agent

Gemini

def get_weather(city: str) -> str:
    return f"{city} 天气晴 27°C"

def get_joke(_) -> str:
    """本方法不需要任何入参"""
    url = "https://icanhazdadjoke.com/"
    return requests.get(url, headers={"Accept": "text/plain"}).text

tools = [
    Tool(name="weather", func=get_weather, description="获取天气"),
    Tool(name="joke", func=get_joke, description="讲个笑话")
]

agent_gemini = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)
print("Gemini Agent:", agent_gemini.run("帮我查北京天气，然后讲个笑话,最后将笑话翻译为中文"))

输出

> Entering new AgentExecutor chain...
Thought: First, I need to find out the weather in Beijing. Then, I need to get a joke. Finally, I will present both pieces of information.
Action: weather
Action Input: 北京
Observation: 北京 天气晴 27°C
Now I know the weather in Beijing. I need to get a joke.
Action: joke
Action Input: _
Observation: Why are pirates called pirates? Because they arrr!
I have the weather and the joke. Now I need to present them together.
Final Answer: 北京天气晴，27°C。笑话：Why are pirates called pirates? Because they arrr! （为什么海盗叫海盗？因为他们啊啊啊！）

> Finished chain.
Gemini Agent: 北京天气晴，27°C。笑话：Why are pirates called pirates? Because they arrr! （为什么海盗叫海盗？因为他们啊啊啊！）