LangChain 构建 LLM 应用实战

LangChain 是构建 LLM 应用的主流框架，理解这三个核心概念就掌握了 80%。

安装
pip install langchain langchain-openai python-dotenv

Chain（链）：把多个步骤串起来
Chain 就是把多个 LLM 调用或操作串联成一个流程。

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

llm = ChatOpenAI(
model="deepseek-chat",
openai_api_key="你的Key",
openai_api_base="https://api.deepseek.com"
)

# 创建一个翻译链
prompt = ChatPromptTemplate.from_template("把以下中文翻译成英文：{text}")
chain = prompt | llm

result = chain.invoke({"text": "人工智能改变世界"})
print(result.content)

Memory（记忆）：让 AI 记住对话历史
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

conversation.predict(input="我叫小明")
response = conversation.predict(input="我叫什么名字？")
print(response) # AI 会记得你叫小明

Agent（智能体）：让 AI 自主决策和调用工具
Agent 能根据用户需求，自主决定调用哪些工具、按什么顺序执行。

RAG（检索增强生成）是目前最实用的 LLM 应用模式，让 AI 能回答你上传的文档内容。

RAG 的工作原理
1）把文档切成小块，转成向量存储
2）用户提问时，找出最相关的文档块
3）把相关内容 + 问题一起发给 LLM
4）LLM 基于文档内容回答

安装依赖
pip install langchain-community faiss-cpu pypdf

完整 RAG 示例
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.chains import RetrievalQA

# 1. 加载文档
loader = PyPDFLoader("你的文档.pdf")
docs = loader.load()

# 2. 切分文档
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)

# 3. 创建向量数据库
embeddings = OpenAIEmbeddings(
openai_api_key="你的Key",
openai_api_base="https://api.deepseek.com"
)
vectorstore = FAISS.from_documents(chunks, embeddings)

# 4. 创建问答链
llm = ChatOpenAI(openai_api_key="你的Key", openai_api_base="https://api.deepseek.com")
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())

# 5. 提问
answer = qa_chain.invoke("文档里说了什么？")
print(answer['result'])

实际应用场景
• 公司内部文档问答系统
• 产品手册智能客服
• 个人知识库助手

Agent 是 LangChain 最强大的功能，让 AI 能自主规划步骤、调用工具、完成复杂任务。

Agent 的工作方式
用户说「帮我查一下今天北京天气，然后根据天气推荐穿什么」
Agent 会：
1）决定先调用天气 API
2）拿到天气数据
3）根据数据生成穿衣建议
4）返回最终答案

创建一个带工具的 Agent
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import tool
from langchain import hub

# 定义工具
@tool
def calculate(expression: str) -> str:
"""计算数学表达式，输入数学表达式字符串"""
try:
return str(eval(expression))
except:
return "计算错误"

@tool
def get_weather(city: str) -> str:
"""获取城市天气，输入城市名称"""
# 实际使用时接入真实天气 API
return f"{city}今天晴天，25°C"

# 创建 Agent
tools = [calculate, get_weather]
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行
result = agent_executor.invoke({
"input": "北京今天天气怎么样？如果温度超过 20 度，计算一下 25 × 3 是多少"
})
print(result['output'])

verbose=True 的作用
开启后能看到 Agent 的思考过程，方便调试。

把前面学的组合起来，做一个完整的企业知识库问答系统。

项目功能
• 上传多个 PDF 文档（产品手册、FAQ、政策文件）
• 用户用自然语言提问
• AI 基于文档内容回答，并标注来源
• 支持多轮对话（记住上下文）

架构设计
前端（Gradio）→ LangChain RAG → DeepSeek API → 返回答案

用 Gradio 快速做界面
pip install gradio

import gradio as gr

def chat(message, history, api_key):
# 这里接入你的 RAG 链
response = qa_chain.invoke(message)
return response['result']

demo = gr.ChatInterface(
fn=chat,
title="企业知识库助手",
description="上传文档后，用自然语言提问",
additional_inputs=[
gr.Textbox(label="API Key", type="password")
]
)

demo.launch(share=True) # share=True 生成公网链接

部署选项
• 本地运行：python app.py，局域网内可访问
• Hugging Face Spaces：免费部署，全球可访问
• Cloudflare Workers：需要改成纯 JS 实现

这个项目能卖多少钱？
帮企业搭建类似系统：5000-30000 元，取决于复杂度和企业规模。