LangChain新手入门：从零搭建第一个LLM对话应用（保姆级）-尧图网络科技

很多同学想学AI应用开发，但卡在：不知道怎么调用大模型、不会管理提示词、不会串联业务流程。

其实LangChain 是目前最主流、最简单的大模型应用开发框架，不用造轮子，搭积木式开发对话机器人、知识库问答、智能代理等项目。

本文从零基础带你入门，吃透 LangChain 五大核心组件，手把手写出可运行的 LLM 程序，新手看完直接上手做项目！

一、什么是 LangChain？

如果把大模型LLM（GPT、通义千问、DeepSeek）比作「超级大脑」：

单纯的大脑只能聊天，LangChain 就是给大脑装上手、记忆、工具、流程。

五大核心组件（全文核心，建议熟记）：

模型 Model：大模型本体（负责生成回答）
提示模板 PromptTemplate：标准化、动态生成提示词
链 Chain：串联多个任务流程（翻译→总结→输出）
记忆 Memory：保存对话上下文，实现多轮对话
代理 Agent：让模型自主选择工具（计算、搜索、接口调用）

二、环境准备（2026最新安装方式）

1、依赖安装

新版 LangChain拆分了包，核心 + OpenAI 兼容模型必须分开安装：

pip install -U langchain langchain-openai langchain-community

langchain：框架核心
langchain-openai：大模型对接（兼容硅基流动、中转、GPT全系）
langchain-community：工具、代理、拓展组件

2、密钥配置

在项目根目录创建.env（分别写上你的密钥和地址）：

DEEPSEEK_API_KEY=你的 DeepSeek API Key DEEPSEEK_BASE_URL=https://api.deepseek.com

注意：

不要把真实 API Key 写进代码

三、核心组件一：模型 + 提示模板 + 基础链（首个可运行程序）

最基础的 LangChain 开发三板斧：模型初始化 + 提示模板 + 链执行

方式一：ChatOpenAI 写法

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain load_dotenv() # 1、创建 ChatGPT 模型实例 llm = ChatOpenAI( model="deepseek-v4-flash", temperature=0.7, # 控制输出的随机性，0-1之间，值越大越随机 api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), ) # 2、定义提示模板 prompt = PromptTemplate( input_variables=["question"], template="你是AI助手，请专业简洁回答用户问题：{question}" ) # 3、组装链 chain = LLMChain(llm=llm, prompt=prompt) # 4、执行调用 result = chain.invoke({"question": "什么是LangChain？有什么作用？"}) print(result["text"])

temperature是大模型生成文本核心超参数，控制输出随机性、创造力，取值范围一般0 ~ 2：
temperature = 0 完全确定性，每次提问输出一模一样，适合：代码、数学计算、事实问答、翻译。
0 < temp < 0.7 轻微随机，逻辑稳定，日常聊天、文案、总结首选区间。
0.7 ~ 1.0 创造力强，措辞更多变，适合故事、创意写作、头脑风暴。
> 1.0 随机性极高，容易逻辑混乱、胡编内容，极少使用。

新项目一律只用 ChatOpenAI，老式 OpenAI 类逐步废弃

LangChain 提供了统一的模型初始化方式。
需要指出的是，以上是 LangChain 早期版本中的常见写法，也是目前许多教程仍在使用的写法。虽然该方法在功能上仍然有效，但已不再是官方推荐的最佳实践。自 LangChain 0.2 起，官方推荐使用统一的工厂方法init_chat_model来创建模型实例，这一方法在最新的 LangChain 1.0 中继续得到支持和强化。

方式二：使用 LangChain 初始化 DeepSeek 模型

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain.prompts import PromptTemplate from langchain.chains import LLMChain # 1、初始化大模型 load_dotenv() llm=init_chat_model( base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-v4-flash", temperature=0.7, model_provider="openai" ) # 2、定义提示模板 prompt = PromptTemplate( input_variables=["question"], template="你是AI助手，请专业简洁回答用户问题：{question}" ) # 3、组装链 chain = LLMChain(llm=llm, prompt=prompt) # 4、执行调用 result = chain.invoke({"question": "什么是LangChain？有什么作用？"}) print(result["text"])

这段代码和上一个案例的区别是：

上一个案例直接使用 OpenAI 兼容 SDK
这个案例使用 LangChain 的模型组件

运行效果说明

程序自动完成：填充模板 → 调用模型API → 返回结构化结果，无需手动拼接提示词、无需手写网络请求。

四、核心组件二：顺序链 SequentialChain（多步骤流水线）

实际项目中经常需要多步任务串联：比如翻译 → 润色 → 总结。

顺序链可以让上一步输出，自动作为下一步输入，实现流水线执行。

from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain, SequentialChain # 初始化模型 llm = ChatOpenAI( model="Qwen/Qwen2.5-7B-Instruct", temperature=0 ) # 第一步：中文转英文 trans_prompt = PromptTemplate( input_variables=["text"], template="请将以下中文精准翻译成英文：{text}" ) chain_trans = LLMChain( llm=llm, prompt=trans_prompt, output_key="en_text" ) # 第二步：英文内容单句总结 summary_prompt = PromptTemplate( input_variables=["en_text"], template="Summarize the following content in one sentence: {en_text}" ) chain_summary = LLMChain( llm=llm, prompt=summary_prompt, output_key="final_summary" ) # 串联整条流水线 work_chain = SequentialChain( chains=[chain_trans, chain_summary], input_variables=["text"], output_variables=["final_summary"] ) # 执行 res = work_chain.invoke( {"text": "人工智能结合大模型技术，正在快速改变软件开发行业"} ) print("最终总结：", res["final_summary"])

核心优势：任务解耦、逻辑清晰，后续可无限叠加步骤。

五、核心组件三：记忆 Memory（实现多轮上下文对话）

默认模型没有记忆，每轮对话都是独立的。

加入 Memory 组件，轻松实现记住聊天记录的智能对话。

from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain from langchain.memory import ConversationBufferMemory # 初始化模型 llm = ChatOpenAI(model="Qwen/Qwen2.5-7B-Instruct", temperature=0.7) # 初始化记忆组件 memory = ConversationBufferMemory(memory_key="chat_history") # 带历史对话的提示模板 prompt = PromptTemplate( input_variables=["chat_history", "user_input"], template=""" 对话历史： {chat_history} 用户：{user_input} AI助手： """ ) # 绑定记忆到链 chat_chain = LLMChain(llm=llm, prompt=prompt, memory=memory) # 多轮对话测试 print(chat_chain.invoke({"user_input": "你好，我叫小蓝"})) print(chat_chain.invoke({"user_input": "我叫什么名字？"}))

运行后模型可以精准记住你的名字，实现真正的多轮对话！

六、核心组件四：代理 Agent（让模型拥有动手能力）

Chain 是固定流程，Agent 是动态智能决策。

可以让模型自主判断：什么时候聊天、什么时候计算、什么时候调用工具。

from langchain_openai import ChatOpenAI from langchain.agents import initialize_agent, AgentType from langchain_community.tools import CalculatorTool # 初始化模型 llm = ChatOpenAI(model="Qwen/Qwen2.5-7B-Instruct", temperature=0) # 注册工具：计算器 tools = [CalculatorTool()] # 初始化智能代理 agent = initialize_agent( tools=tools, llm=llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True # 开启思考日志，可查看推理过程 ) # 测试：数学计算自动调用计算器 print(agent.run("345 * 789 + 222 等于多少？")) # 测试：普通问答直接回复 print(agent.run("LangChain可以用来做什么？"))

Agent核心价值：复杂任务无需人工定义流程，模型自主拆解、自主选工具、自主完成任务。