📘 LangChain 速查手册（2024）

✅ 基于 LangChain 0.2+（2024 年主流版本）
📌 导入惯例：from langchain import ... 或 from langchain_core import ...

🧱 一、核心概念

🔌 二、模型接入（LLM / ChatModel）

1. OpenAI

from langchain_openai import ChatOpenAI, OpenAIEmbeddings

llm = ChatOpenAI(model="gpt-4o", temperature=0)
embeddings = OpenAIEmbeddings()

2. Anthropic

from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

3. Ollama（本地模型）

from langchain_ollama import ChatOllama
llm = ChatOllama(model="llama3.1", temperature=0)

4. Hugging Face（开源模型）

from langchain_huggingface import ChatHuggingFace, HuggingFaceEndpoint
llm = HuggingFaceEndpoint(repo_id="meta-llama/Meta-Llama-3-8B-Instruct")

💡 所有模型统一接口：.invoke(messages) / .stream(messages)

📝 三、提示词工程（PromptTemplate）

1. 基础模板

from langchain_core.prompts import PromptTemplate

template = "翻译成{language}：{text}"
prompt = PromptTemplate.from_template(template)
prompt.format(language="中文", text="Hello")

2. 聊天模板（推荐）

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}"),
    ("human", "{input}")
])

3. Few-Shot 示例

from langchain_core.prompts import FewShotChatMessagePromptTemplate

examples = [{"input": "嗨", "output": "你好！"}, ...]
example_prompt = ChatPromptTemplate.from_messages([("human", "{input}"), ("ai", "{output}")])
few_shot = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples
)
final_prompt = ChatPromptTemplate.from_messages([("system", "..."), few_shot, ("human", "{input}")])

⛓️ 四、Chain（链式调用）

1. LCEL（LangChain Expression Language）——推荐方式

from langchain_core.output_parsers import StrOutputParser

chain = prompt | llm | StrOutputParser()
result = chain.invoke({"input": "你好"})

2. 常用内置 Chain

from langchain.chains import LLMChain, ConversationChain

# 基础链
chain = LLMChain(llm=llm, prompt=prompt)

# 对话链（带记忆）
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
conv_chain = ConversationChain(llm=llm, memory=memory)

3. RAG Chain（检索增强生成）

from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain

combine_docs_chain = create_stuff_documents_chain(llm, prompt)
retrieval_chain = create_retrieval_chain(retriever, combine_docs_chain)

response = retrieval_chain.invoke({"input": "LangChain 是什么？"})

🔍 五、检索（Retriever）与 RAG

1. 文档加载

from langchain_community.document_loaders import PyPDFLoader, WebBaseLoader

docs = PyPDFLoader("doc.pdf").load()
docs = WebBaseLoader("https://example.com").load()

2. 文本切分

from langchain_text_splitters import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
chunks = splitter.split_documents(docs)

3. 向量存储（Chroma 示例）

from langchain_chroma import Chroma

vectorstore = Chroma.from_documents(chunks, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

✅ 支持：Chroma、FAISS、Pinecone、Weaviate、Qdrant、Milvus 等

🤖 六、Agent（智能体）

1. 定义工具

from langchain.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """将两个整数相乘"""
    return a * b

2. 创建 Agent（OpenAI Functions）

from langchain import hub
from langchain.agents import create_openai_functions_agent, AgentExecutor

prompt = hub.pull("hwchase17/openai-functions-agent")
agent = create_openai_functions_agent(llm, [multiply], prompt)
agent_executor = AgentExecutor(agent=agent, tools=[multiply], verbose=True)

agent_executor.invoke({"input": "3 乘以 7 等于多少？"})

3. 支持的 Agent 类型

• openai-functions-agent（推荐）
• react（ReAct 框架）
• self-ask-with-search
• plan-and-execute

🧠 七、Memory（记忆）

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
chain = LLMChain(llm=llm, prompt=prompt, memory=memory)

🧰 八、常用工具（Tools）

LangChain 内置大量工具：

from langchain_community.tools import DuckDuckGoSearchRun, WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

search = DuckDuckGoSearchRun()
wiki = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())

# 用于 Agent
tools = [search, wiki, multiply]

✅ 其他工具：Arxiv、Google Serper、SQL Database、File Management、Shell 等

🧪 九、输出解析（Output Parsers）

from pydantic import BaseModel
from langchain_core.output_parsers import PydanticOutputParser

class Answer(BaseModel):
    summary: str
    keywords: list[str]

parser = PydanticOutputParser(pydantic_object=Answer)
prompt = PromptTemplate(
    template="...{format_instructions}\n问题：{query}",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

🧩 十、LangSmith（调试与监控）

LangChain 官方平台，用于 追踪、评估、部署 LLM 应用

# 设置环境变量
export LANGCHAIN_API_KEY="..."
export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_PROJECT="my-rag-app"

# 自动追踪所有 chain 调用
result = chain.invoke(...)
# → 自动上传到 https://smith.langchain.com

🚀 十一、最佳实践

1. 优先使用 LCEL（prompt | llm | parser）——简洁、可组合、支持流式
2. RAG 三要素：高质量文档 + 合理切分 + 相关性检索
3. Agent 工具描述要清晰，避免歧义
4. 控制 token 使用：用 ConversationSummaryMemory 或窗口记忆
5. 始终设置 temperature=0 用于确定性任务（如代码生成、事实问答）
6. 用 LangSmith 调试 prompt 和 chain 行为

📦 十二、常用包索引

💡 安装示例：pip install langchain langchain-openai langchain-chroma

✅ 一句话总结 LangChain 架构：
Prompt + LLM + (Retriever / Tools / Memory) → Chain / Agent → Output