第16章 LangChain入门：用代码构建可定制的智能体应用

LangChain入门：用代码构建可定制的智能体应用

LangChain是目前最流行、生态最丰富的AI应用开发框架。与Coze、Dify等低代码平台不同，LangChain是一个代码级框架——你用Python或JavaScript编写代码来构建智能体应用。它的优势是灵活度极高，可以实现任何你能想到的功能；劣势是有一定的学习门槛，需要编程能力。

本章将带你从零开始学习LangChain的核心概念和基本用法，通过实战案例掌握用代码构建智能体应用的方法。

一、LangChain概览

1.1 什么是LangChain？

LangChain是一个用于开发基于大语言模型（LLM）应用的框架，由Harrison Chase于2022年10月创建。它的核心思想是：把大模型的能力与外部工具、数据源、业务逻辑结合起来，构建强大的AI应用。

LangChain提供了一系列可复用的组件和抽象，让开发者不需要从零开始实现每一个功能。它的生态非常丰富，集成了上百种大模型、向量数据库、工具、API。

1.2 LangChain的核心价值

• 组件化设计：把AI应用拆解成可复用的组件（模型、提示词、链、工具、记忆、检索器），像搭积木一样组合
• 丰富的集成：集成了上百种大模型、向量数据库、工具、API，开箱即用
• 灵活度高：代码级控制，可以实现任何自定义逻辑，不受平台功能限制
• 生产级能力：支持流式输出、异步、批处理、重试、回调、追踪等生产级特性
• 社区活跃：GitHub星标超90k，社区活跃，文档完善，更新迭代快
• 生态完整：除了核心框架，还有LangSmith（可观测性）、LangGraph（多智能体编排）、LangServe（部署）等配套工具

1.3 什么时候用LangChain？

1.4 LangChain的核心组件

二、环境搭建和第一个程序

2.1 安装LangChain

# 安装LangChain核心包
pip install langchain

# 安装OpenAI集成（如果用OpenAI模型）
pip install langchain-openai

# 安装社区集成包（包含大量第三方集成）
pip install langchain-community

# 安装向量数据库（示例用Chroma）
pip install chromadb

# 安装文档加载器（示例用PyPDF）
pip install pypdf

2.2 配置API Key

import os
os.environ["OPENAI_API_KEY"] = "你的OpenAI API Key"

# 如果用国内模型（如DeepSeek）
os.environ["DEEPSEEK_API_KEY"] = "你的DeepSeek API Key"

2.3 第一个LangChain程序：简单的对话

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 初始化模型
llm = ChatOpenAI(
    model="gpt-4o",  # 或用国内模型
    temperature=0.7,
    max_tokens=1000
)

# 构建消息
messages = [
    SystemMessage(content="你是一位专业的制造业设备维修专家，回答要专业、准确、有条理。"),
    HumanMessage(content="3号空压机异响，温度95度，可能是什么原因？")
]

# 调用模型
response = llm.invoke(messages)
print(response.content)

这就是最简单的LangChain程序——初始化模型、构建消息、调用模型、输出结果。

三、核心组件详解

3.1 提示词模板（Prompt Template）

提示词模板让你可以用变量动态生成提示词，而不是每次都写完整的提示词。

from langchain_core.prompts import ChatPromptTemplate

# 创建提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位专业的{role}，回答要专业、准确、有条理。"),
    ("human", "请回答以下问题：{question}")
])

# 填充变量
formatted_prompt = prompt.format_messages(
    role="设备维修专家",
    question="3号空压机异响，温度95度，可能是什么原因？"
)

# 调用模型
response = llm.invoke(formatted_prompt)
print(response.content)

3.2 链（Chain）：用LCEL组合组件

LCEL（LangChain Expression Language）是LangChain的声明式组合语言，用管道符（|）把组件串联起来，形成一条链。

from langchain_core.output_parsers import StrOutputParser

# 构建一条链：提示词模板 → 模型 → 输出解析器
chain = prompt | llm | StrOutputParser()

# 调用链
result = chain.invoke({
    "role": "设备维修专家",
    "question": "3号空压机异响，温度95度，可能是什么原因？"
})

print(result)

LCEL的优势：

• 流式输出：自动支持流式输出，用chain.stream()即可
• 异步支持：用chain.ainvoke()异步调用
• 批处理：用chain.batch()批量处理多个输入
• 重试：可以配置重试策略
• 回调：可以注入回调函数，监控执行过程

3.3 输出解析器（Output Parser）

输出解析器把大模型的自然语言输出转换成结构化的数据（如JSON、字典、列表），方便后续处理。

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field
from typing import List

# 定义输出结构
class FaultAnalysis(BaseModel):
    possible_causes: List[str] = Field(description="可能的故障原因列表")
    probability: List[float] = Field(description="每个原因的可能性（0-1）")
    repair_steps: List[str] = Field(description="维修步骤")
    safety_notes: List[str] = Field(description="安全注意事项")

# 创建解析器
parser = JsonOutputParser(pydantic_object=FaultAnalysis)

# 创建提示词模板（包含格式要求）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位专业的设备维修专家。{format_instructions}"),
    ("human", "请分析以下故障：{fault_description}")
])

# 构建链
chain = prompt | llm | parser

# 调用
result = chain.invoke({
    "format_instructions": parser.get_format_instructions(),
    "fault_description": "3号空压机异响，温度95度"
})

print(result["possible_causes"])
print(result["repair_steps"])

3.4 记忆（Memory）

记忆让智能体能够记住之前的对话内容，实现多轮对话。

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

# 创建记忆
memory = ConversationBufferMemory()

# 创建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 多轮对话
print(conversation.predict(input="你好，我是工厂的维修工"))
print(conversation.predict(input="3号空压机异响，温度95度"))
print(conversation.predict(input="我刚才说的是哪台设备？"))

# 查看记忆内容
print(memory.load_memory_variables({}))

LangChain支持多种记忆类型：

• ConversationBufferMemory：保存完整对话历史（简单但占用上下文多）
• ConversationSummaryMemory：用大模型总结对话历史（节省上下文但可能丢失细节）
• ConversationBufferWindowMemory：只保存最近N轮对话（滑动窗口）
• ConversationEntityMemory：提取对话中的实体信息，单独存储
• ConversationKGMemory：用知识图谱存储对话中的关系

3.5 检索器（Retriever）和RAG

检索器从知识库中检索相关信息，实现RAG（检索增强生成）。

from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.runnables import RunnablePassthrough

# 第一步：加载文档
loader = PyPDFLoader("空压机维修手册.pdf")
documents = loader.load()

# 第二步：分段
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
splits = text_splitter.split_documents(documents)

# 第三步：向量化并存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=embeddings,
    persist_directory="./chroma_db"
)

# 第四步：创建检索器
retriever = vectorstore.as_retriever(
    search_type="similarity",  # 或 "mmr"（最大边际相关性）
    search_kwargs={"k": 5}  # 返回Top 5
)

# 第五步：构建RAG链
rag_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位设备维修专家。请基于以下参考资料回答问题。如果参考资料中没有相关信息，请说明。\n\n参考资料：{context}"),
    ("human", "问题：{question}")
])

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | rag_prompt
    | llm
    | StrOutputParser()
)

# 第六步：调用
result = rag_chain.invoke("空压机异响，温度95度，可能是什么原因？")
print(result)

3.6 工具（Tool）和Agent

工具扩展智能体的能力，Agent自主决定调用什么工具。

from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
import requests

# 定义工具
@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气信息。参数：city（城市名称）"""
    # 调用天气API（示例）
    return f"{city}今天多云转晴，26-33度，湿度75%"

@tool
def calculate(expression: str) -> str:
    """计算数学表达式。参数：expression（数学表达式，如'2+3*4'）"""
    try:
        result = eval(expression)
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算错误：{e}"

# 工具列表
tools = [get_weather, calculate]

# 创建Agent
agent_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手，可以使用工具来回答问题。如果需要计算或查询天气，请使用对应的工具。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

agent = create_tool_calling_agent(llm, tools, agent_prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 调用Agent
result = agent_executor.invoke({
    "input": "广州今天天气怎么样？如果温度超过30度，帮我算一下30*1.5等于多少"
})
print(result["output"])

LangChain支持多种Agent架构：

• create_tool_calling_agent：基于Function Calling的Agent（推荐，效率高）
• create_react_agent：基于ReAct（推理+行动）的Agent（兼容性好）
• create_openai_tools_agent：OpenAI专用的工具调用Agent
• Plan-and-Execute Agent：先规划再执行的Agent，适合复杂任务

四、实战：用LangChain构建设备故障诊断智能体

五、LangChain生态和进阶

5.1 LangSmith：可观测性平台

LangSmith是LangChain团队推出的可观测性平台，用于调试、测试、监控、评估LangChain应用。

• 调试：查看每一步的输入输出、执行时间、token消耗
• 测试：创建测试数据集，自动化测试应用��果
• 监控：监控生产环境的调用量、延迟、错误率、成本
• 评估：用大模型或人工评估回答质量

5.2 LangGraph：多智能体编排

LangGraph是LangChain团队推出的多智能体编排框架，基于"图"的概念定义智能体之间的状态流转和协作关系。支持复杂的状态管理、循环、条件分支，适合构建复杂的多智能体系统。

5.3 LangServe：部署

LangServe可以把LangChain链部署为REST API，支持流式输出、批量处理、异步调用。一行代码即可启动API服务。

5.4 学习资源

• 官方文档：https://python.langchain.com
• GitHub：https://github.com/langchain-ai/langchain
• LangSmith文档：https://docs.smith.langchain.com
• LangGraph文档：https://langchain-ai.github.io/langgraph
• 官方教程和示例：https://github.com/langchain-ai/langchain/tree/master/templates

下一章，我们将深入LangChain的实战应用——自定义Agent、工具链开发、记忆系统设计、复杂工作流编排等，掌握用LangChain构建生产级智能体应用的能力。

📝 本章练习（5题）

答案与解析请在 互动学习看板 中作答查看。

📚 AI智能体实战训练营 课程目录（33 章）

1. 第1章 什么是AI智能体：从聊天机器人到自主决策系统
2. 第2章 智能体的四大核心能力：感知·思考·行动·记忆
3. 第3章 范式转移：智能体与传统软件的本质区别
4. 第4章 2025年主流智能体平台全景对比与选型
5. 第5章 智能体应用场景地图：从个人效率到企业级落地
6. 第6章 编排思维：如何把大模型变成可执行的业务流程
7. 第7章 Prompt工程实战：写出让智能体精准执行的指令
8. 第8章 工作流编排入门：节点、连线、条件分支与循环
9. 第9章 知识库RAG实战：让智能体拥有你的专业数据
10. 第10章 工具调用实战：搜索·计算·API·数据库全掌握
11. 第11章 多智能体协作：角色分工、任务分发与结果汇总
12. 第12章 Coze/扣子入门：30分钟搭建你的第一个智能体
13. 第13章 Coze进阶：插件开发、工作流深度编排与知识库优化
14. 第14章 Dify入门：开源可私有化部署的智能体平台搭建
15. 第15章 Dify进阶：RAG管道优化、Agent模式与工作流编排
16. 第16章 LangChain入门：用代码构建可定制的智能体应用
17. 第17章 LangChain实战：自定义Agent、工具链与记忆系统
18. 第18章 Agent Harness与新一代框架：2025年智能体开发趋势
19. 第19章 平台选型决策树：不同业务场景下的最优平台选择
20. 第20章 任务拆解方法论：把复杂问题变成智能体可执行的步骤
21. 第21章 提示词编排艺术：System·User·Function的三层协同
22. 第22章 记忆系统设计：短期记忆、长期记忆与向量数据库选型
23. 第23章 错误处理与容错：智能体执行失败时的兜底策略
24. 第24章 评估与优化体系：如何量化衡量智能体的效果并持续改进
25. 第25章 安全与合规：智能体应用的数据安全、隐私保护与风险防控
26. 第26章 实战项目一：企业知识库智能问答助手（全流程实操）
27. 第27章 实战项目二：制造业设备故障诊断智能体
28. 第28章 实战项目三：供应链采购智能分析与比价助手
29. 第29章 实战项目四：多智能体协同的项目管理办公室（PMO）
30. 第30章 实战项目五：智能体与MES/ERP系统的深度集成
31. 第31章 智能体落地路线图：从POC验证到规模化应用的完整路径
32. 第32章 AI智能体工程师/产品经理的能力模型与成长路径
33. 第33章 作品集打造与面试准备：如何拿到AI智能体岗位Offer