LangChain经典例子

如果你想学习 LangChain，最经典的例子通常都是围绕 LLM + Prompt + Memory + RAG + Agent + Tools 这几个核心概念展开。下面按照入门到进阶列出一些最经典的示例（Python）。

---

1. Hello World（Prompt + LLM）

最简单的 LangChain 程序。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

llm = ChatOpenAI(model="gpt-4.1")

response = llm.invoke([
    HumanMessage(content="介绍一下 LangChain")
])

print(response.content)

这是最基础的：

User
   ↓
LLM
   ↓
Answer

---

2. PromptTemplate

Prompt 不写死，而是模板化。

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    "请用一句话介绍 {topic}"
)

chain = prompt | llm

print(chain.invoke({"topic": "机器学习"}).content)

LangChain 最经典的设计就是：

Prompt
   │
   ▼
Model

利用 | 运算符组成 LCEL（LangChain Expression Language）。

---

3. Output Parser

让模型返回固定格式。

from langchain_core.output_parsers import StrOutputParser

chain = (
    prompt
    | llm
    | StrOutputParser()
)

result = chain.invoke({"topic": "Python"})
print(result)

Parser 可以解析：

• 字符串

• JSON

• Pydantic

• List

例如：

Prompt
   ↓
LLM
   ↓
Parser

---

4. Sequential Chain（流水线）

多个步骤连接。

from langchain_core.prompts import ChatPromptTemplate

summary_prompt = ChatPromptTemplate.from_template(
    "总结下面内容：{text}"
)

translate_prompt = ChatPromptTemplate.from_template(
    "把下面内容翻译成中文：{text}"
)

summary_chain = summary_prompt | llm | StrOutputParser()
translate_chain = translate_prompt | llm | StrOutputParser()

summary = summary_chain.invoke({"text": article})
result = translate_chain.invoke({"text": summary})

print(result)

流程：

Article
   ↓
Summary
   ↓
Translate

---

5. RAG（最经典）

这是目前 LangChain 使用最多的例子。

步骤：

PDF
 ↓
Split
 ↓
Embedding
 ↓
Vector Store
 ↓
Retriever
 ↓
LLM

代码示例：

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

vectorstore = Chroma(
    persist_directory="./db",
    embedding_function=OpenAIEmbeddings()
)

retriever = vectorstore.as_retriever()

docs = retriever.invoke("LangChain 是什么？")

再接入 LLM：

from langchain.chains import RetrievalQA

qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever
)

qa.invoke("LangChain 是什么？")

这是所有 AI ChatPDF 的基本原理。

---

6. Memory（聊天机器人）

from langchain.memory import ConversationBufferMemory

例如：

User:
我叫Tom

↓

Memory 保存

↓

User:
我叫什么？

↓

LLM 可以回答：
你叫 Tom。

Memory 的作用就是：

历史聊天
      │
      ▼
Prompt
      │
      ▼
LLM

---

7. Tool Calling

给模型调用工具。

例如：

from langchain_core.tools import tool

@tool
def multiply(a: int, b: int):
    """Multiply two numbers."""
    return a * b

然后绑定：

llm_with_tools = llm.bind_tools([multiply])

模型会输出：

Call Tool:
multiply(3,5)

工具执行：

15

再返回模型。

---

8. Agent（最经典）

Agent 可以自己决定什么时候调用工具。

User
   │
   ▼
 Agent
   │
 ┌─┴────────────┐
 │              │
Google      Calculator
 │              │
 └──────┬───────┘
        ▼
      LLM

例如：

agent.invoke({
    "input": "北京现在天气怎么样？"
})

Agent 会：

1. 判断需要天气

2. 调用天气 API

3. 获取结果

4. 总结回答

---

9. SQL Agent

连接数据库。

User
 ↓
Agent
 ↓
SQL
 ↓
Database
 ↓
Answer

例如：

数据库有：

users

orders

products

用户：

销量最高的商品是什么？

Agent 自动生成：

SELECT ...

执行 SQL 后返回结果。

---

10. 多 Agent

例如：

             Boss Agent
                 │
     ┌───────────┼────────────┐
     ▼           ▼            ▼
 Search      Coding      Writing
 Agent        Agent       Agent

每个 Agent 擅长不同任务。

---

LangChain 最经典的整体架构

                User
                  │
                  ▼
              PromptTemplate
                  │
                  ▼
                ChatModel
                  │
        ┌─────────┴─────────┐
        ▼                   ▼
     OutputParser        Tool Calling
                              │
                              ▼
                         Search / DB / API
                              │
                              ▼
                             LLM
                              │
                              ▼
                           Response

如果加入 RAG：

             Documents
                 │
             Text Splitter
                 │
             Embedding
                 │
             Vector Store
                 │
             Retriever
                 │
                 ▼
PromptTemplate → LLM → Output

学习路线建议

如果你是第一次接触 LangChain，建议按下面顺序练习：

1. LLM 调用：学会 ChatOpenAI、invoke()

2. PromptTemplate：掌握模板化提示词

3. LCEL：使用 | 将 Prompt、模型、解析器组合成链

4. OutputParser：解析字符串、JSON、结构化输出

5. RAG：文档加载、切分、Embedding、向量检索、问答

6. Tool Calling：让模型调用自定义函数或外部 API

7. Agent：构建能自主选择工具完成复杂任务的智能体

8. LangGraph：当流程需要状态管理、分支、循环或多智能体协作时，进一步学习基于图的编排框架。

其中，RAG + Tool Calling + Agent（或更现代的 LangGraph） 是目前生产环境中最常见、也是最值得深入掌握的能力。