LangChain框架入门部署教程

LangChain是什么？LangChain是一个开源框架，主要用于提供一些工具、接口帮你快速创建由大语言模型（Large Language Model，即后文的llm）和聊天模型支持的应用程序。LangChain本身只是帮忙调用大模型构建特定功能的应用，因此大模型还是不可缺少的一步。接下来将由站长百科详细为大家介绍LangChain入门及部署。

一、LangChain准备环境

1、安装LangChain相关Python包

pip install langchain
pip install -qU langchain-openai
pip install "langserve[all]"

2、准备LangSmith的API Key（不是必要步骤，但是是免费的）

什么是LangSmith：就是一个可以调试、测试、评估和监控基于任何LLM框架构建的链和智能代理的框架，他能与LangChain无缝集成。其实就是用它来观察大模型进行了哪些调用，让你清楚你的大模型内部咋工作的。所以其实这在开发LangChain应用中不是必须的。怎么监控的？就是你可以进入这个监控页面，看到你提问了什么，大模型回答了什么。

登录LangChain官网，点击“sign up”登录，没有账号就注册一个。

点击“Tracing Projects”。

点击要监控的项目即可进入前面的监控画面，这儿一个项目应该对应的是一个LangSmith的API。

如何申请LangSmith的API？

还是这个界面，点击“New Project”。

点击“Generate API Key”。

复制保存好你的API Key。

怎么使用？就是配置为Python程序的环境变量。

3、准备语言模型的API

前文提到开发LangChain应用需要一个大模型，我们通常是调用其他厂商提供的api，如Openai、Gemini、通义千问等。

LangChain官方教程使用的是OpenAI，本文使用OpenAI的中转API进行演示。OpenAI的API是收费的且访问不方便，通义千问等国内厂商的api一般有免费额度。

如何获取OpenAI的API？

方法一（推荐）：像我一样，去某宝或某多多买个中转的api，价格便宜，几块钱就可以开始学习，搜索关键字是“中转api”。
方法二：申请官方的API，要钱比较麻烦，我没申请过，可查看其他博客教程。

4、准备环境变量

使用你的IDE创建一个Python项目

在.py文件（就是你书写大模型代码的Python文件，后文无特殊说明使用main.py。同理，如果你使用的是Jupyter NoteBook，就是在.ipynb文件同级目录）的同级目录下创建一个全名为.env的文件，这个文件是用于存放环境变量的，我们把环境变量定义在里面，然后py文件可通过load_dotenv()方法快速加载这些环境变量，例如我的项目文件结构是这样的：

在.env文件（全名就是“.env”，不能做任何修改）中书写定义环境变量：

OPENAI_API_KEY：就是你的大模型的API Key，一般是sk开头。
OPENAI_BASE_URL：指定 OpenAI API 的基础 URL 地址。如果你购买的OpenAI的直连API就不需要设置这个环境变量，如果是某宝某多购买的中转API则一般会提供给你一个中转地址，形为https://api…/v1，这个时候就需要设置OPENAI_BASE_URL为该网站。
LANGCHAIN_TRACING_V2：设置为true。
LANGCHAIN_API_KEY：前文申请到的LangSmith的API，这就是LangSmith的用法。

二、部署LangChain案例

这里给出一个最简单的案例。注意，这个案例一定是正确的，如果报错则一定是环境缺少包或者环境变量没配置等问题。

py文件内容：

结合代码中的注释我相信你能看懂这个简单案例的功能（调用大模型，让他把“今天天气怎么样？”这句话翻译为英文并输出）。

执行结果（输出类似，模型成功翻译）：

如果你设置了LangSmith的API进行跟踪，则还可以查看LangSmith的结果：

点击每一行的Name可以查看该跟踪对话的详情：

接下来，后文将以此为案例为基础进行扩展，介绍一些更强大的功能。

使用StrOutputParser对模型结果进行解析

注意前文打印大模型返回结果的方法：print(model.invoke(messages).content)，其中model.invoke(messages)的结果是一个AIMessage对象，该对象的content值记录了大模型的输出结果。

但其实LangChain提供了一个类StrOutputParser专门解析出这部分内容进行打印

使用方法：

但其实AIMessage对象也有专门的方法打印模型的输出：

使用ChatPromptTemplate构建输入消息列表

在简单案例中，我们是向模型的invoke方法直接传入的构建的消息列表（即，messages=[…]），这是这种列表无法从用户处获得变量对消息列表进行设置，故引入ChatPromptTemplate

ChatPromptTemplate能从用户输入中获取变量构建Prompt传给大模型进行调用，其使用方法如下：

这里(“system”, “把下面的语句翻译为{language}。”)等价于SystemMessage(content=“把下面的语句翻译为英文。”)；(“user”, “{text}”)等价于HumanMessage(content=“今天天气怎么样？”)。但是在定义ChatPromptTemplate时只能使用前者，即下面的方法