LangChain初入门-简化LLM开发难度

章节简介

本章核心围绕LangChain框架展开，从框架认知、核心组件使用、项目集成，到LCEL表达式、回调系统、LangSmith平台监控，逐步讲解如何通过LangChain简化LLM应用开发难度，同时涵盖Git版本控制、API文档撰写规范等工程化开发内容，实现从基础使用到项目落地的全流程学习。

一、为什么选择LangChain及框架简介

1.1 为什么需要大模型应用开发框架

原生LLM仅提供基础调用接口，构建复杂AI应用时需解决诸多工程问题：

聊天上下文保存、网络检索、本地数据加载、Prompt管理；
不同LLM的输入/输出结构差异大，切换模型需修改大量代码，可维护性差；
原生LLM无运行流程监控、输出统计、费用统计、错误监控等功能，需开发者自行开发。

而LangChain作为AI应用开发框架，可一站式解决上述问题，同时提供Python/JavaScript两个版本，适配主流开发语言。

LangChain-Python：https://github.com/langchain-ai/langchain
LangChain-JavaScript：https://github.com/langchain-ai/langchainjs

1.2 选择LangChain的核心原因

高认可度：Github获86.3k+ star，是星数最多的AI应用开发框架，社区活跃、文档丰富；
持续维护：累计融资数千万美金，团队一年提交近10000次commit，版本更新快，被Dify、MetaGPT、百度智能云千帆等知名项目采用；
易用性：屏蔽不同LLM的调用/输入/输出差异，切换模型无需修改业务代码；
高可扩展性：集成近700种工具，涵盖LLM、向量存储、Agent等，支持本地大模型/工具/数据库快速接入；
稳定版本：2024年1月发布0.1.0稳定版，完全向后兼容，推出LangGraph、LangSmith；
可观测性：配套LangSmith平台，提供一流的调试、监控、评估能力，记录每一步执行数据。

LangChain适配多模型示例：切换OpenAI和文心一言仅需替换模型实例，业务代码无改动

python

from langchain_community.chat_models.baidu_qianfan_endpoint import QianfanChatEndpoint
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

def completion():
    req = CompletionReq()
    if not req.validate():
        return validate_error_json(req.errors)
    # 切换模型仅修改这一行
    llm = ChatOpenAI()
    # llm = QianfanChatEndpoint()
    chain = llm | StrOutputParser()
    content = chain.invoke(req.query.data)
    return success_json({"content": content})

1.3 LangChain基本概念

LangChain如同数字世界的乐高工具箱，将提示词、工具、大语言模型作为“积木块”，帮助开发者快速搭建LLM应用。其核心包含6大组件，集成数十种LLM、上百种工具，实现大模型应用的快速开发与部署：

Models（模型）：封装各类LLM/聊天模型，提供统一调用接口；
Prompts（提示）：提示词模板、选择器，实现Prompt的标准化与复用；
Indexes（索引）：文档加载、文本分割、向量存储，支撑知识库检索；
Memory（记忆）：聊天上下文管理，实现会话记忆功能；
Chains（链）：将多个组件按逻辑组合，实现复杂业务流程；
Agents（代理）：结合工具与LLM，实现自主决策、工具调用。

二、LangChain框架安装及文档介绍

2.1 框架安装及组成

2.1.1 安装命令

bash

# 安装最新版核心包+社区包
pip install langchain langchain-community
# 安装课程指定版本（0.2.1）
pip install langchain==0.2.1 langchain-community==0.2.1
# 升级旧版本
pip install -U langchain==0.2.1 langchain-community==0.2.1

2.1.2 LangChain v0.2.1核心组成

包名	核心功能
langchain-core	基础抽象、LangChain表达式语言（LCEL）
langchain-community	第三方集成、合作伙伴包（如langchain-openai）
langchain	链、代理、检索策略的认知架构构建
langgraph	基于图结构构建有状态的多参与者LLM应用
langserve	将LangChain链部署为REST API
langsmith	LLM应用调试、测试、评估、监控平台

2.2 文档重构与解读（Diátaxis哲学）

LangChain v0.2.0后基于Diátaxis（https://diataxis.fr/）重构文档，将内容划分为4类，LangGraph、LangSmith也采用此规范，提升文档可读性：

Tutorials（教程）：从零到一的实操案例，结合概念与实践（如构建本地RAG应用）；
How-to Guides（操作指南）：解决具体单点问题（如实现应用流式输出）；
Explanation（解释）：深入讲解概念/原理（如LCEL基础类型、框架架构）；
Reference（参考）：技术性详细描述（如Runnable接口、类/参数说明）。

2.3 版本文档与辅助工具

版本变化说明：包含新版本功能、未来更新路线、版本对比；
v0.2升级指南：提供旧版本迁移步骤、包导入方式修改、配置更新等；
Chat LangChain：官方文档问答机器人，可快速查询组件使用方法，支持多模型适配。

三、LangChain核心组件及使用技巧

3.1 Prompt组件

Prompt是LLM应用交互的起点，LangChain封装Prompt组件实现标准化、可复用、跨模型适配，切换LLM无需修改Prompt。

3.1.1 核心分类

Prompt Template：主流使用，对Prompt进行格式化、变量处理、提示词组合，包含多个子组件；
Selectors：根据条件选择不同Prompt/示例，使用场景较窄，基于Prompt Template二次封装。

3.1.2 Prompt Template核心子组件

组件	功能
PromptTemplate	文本消息提示模板，适配纯文本输出的LLM
ChatPromptTemplate	聊天消息提示模板，适配聊天模型（如GPT-3.5/4）
MessagePlaceholder	聊天模型的消息占位符，处理不确定的上下文消息
SystemMessagePromptTemplate	系统角色提示模板
HumanMessagePromptTemplate	人类角色提示模板
AIMessagePromptTemplate	AI角色提示模板
PipelinePromptTemplate	管道提示模板，实现Prompt的复用与组合

3.1.3 核心方法与运算符

方法：partial()（格式化部分变量）、format()（传递变量生成文本）、invoke()（传递变量生成提示值）、to_string()/to_messages()（格式转换）；
重载运算符：+，支持所有Prompt组件的拼接组装。

3.1.4 格式化方式

f-string（默认）：Python3.6+特性，语法简洁、性能好，仅适用于py文件，用{variable_name}定义变量；
Jinja2：支持循环/条件语句、自定义过滤器，需安装依赖，用定义变量。

3.1.5 常用示例

（1）基础文本Prompt

python

from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template("请讲一个关于{subject}的冷笑话")
print(prompt.format(subject="程序员")) # 请讲一个关于程序员的冷笑话

（2）聊天Prompt（含上下文、部分变量）

python

from datetime import datetime
from langchain_core.prompts import ChatPromptTemplate, HumanMessagePromptTemplate, MessagesPlaceholder
from langchain_core.messages import AIMessage

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是OpenAI开发的聊天机器人，当前时间是:{now}"),
    MessagesPlaceholder("chat_history"),
    HumanMessagePromptTemplate.from_template("请讲一个关于{subject}的冷笑话")
]).partial(now=datetime.now())

prompt_value = chat_prompt.invoke({
    "subject": "程序员",
    "chat_history": [("human", "我叫慕小课"), AIMessage("我是ChatGPT，有什么能帮到你的么")]
})
print(prompt_value.to_string())

（3）Prompt拼接与复用

python

# 字符串拼接
prompt = PromptTemplate.from_template("请讲一个关于{subject}的冷笑话") + "，让我开心下\n使用{language}语言。"
print(prompt.format(subject="程序员", language="中文"))

# 管道复用
from langchain_core.prompts import PipelinePromptTemplate
full_template = "{instruction}\n{example}\n{start}"
full_prompt = PromptTemplate.from_template(full_template)
instruction_prompt = PromptTemplate.from_template("你正在模拟{person}。")
example_prompt = PromptTemplate.from_template("示例：Q:{example_q}\nA:{example_a}")
start_prompt = PromptTemplate.from_template("Q:{input}\nA:")

pipeline_prompt = PipelinePromptTemplate(
    final_prompt=full_prompt,
    pipeline_prompts=[("instruction", instruction_prompt), ("example", example_prompt), ("start", start_prompt)]
)
print(pipeline_prompt.format(person="雷军", example_q="你最喜欢的汽车是什么", example_a="小米su7", input="你最喜欢的手机是什么"))

3.2 Model组件

Model是LangChain的核心组件，不提供自研LLM，而是封装各类第三方LLM/聊天模型，提供统一调用接口，屏蔽模型差异。

3.2.1 核心分类

LLM：纯文本输入/输出的大语言模型；
Chat Model：聊天消息列表输入/输出的模型（如GPT-3.5-turbo、文心一言）。

LangChain内部会自动将PromptValue/字符串/消息列表转换为模型适配的输入格式，开发者无需关注细节。

3.2.2 核心调用方法

方法	功能
invoke()	单次调用，生成单条结果
batch()	批量调用，一次性生成多个结果
stream()	流式输出，逐字符返回结果
ainvoke()/abatch()/astream()	上述方法的异步版本

3.2.3 Message组件

封装聊天消息，所有消息包含type（类型）、content（内容）、response_metadata（响应元数据），共5种类型： SystemMessage（系统）、HumanMessage（人类）、AIMessage（AI）、FunctionMessage（函数）、ToolMessage（工具）。

3.2.4 常用示例

python

import dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
dotenv.load_dotenv()

# 1. 构建Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是OpenAI开发的聊天机器人，现在时间是:{now}"),
    ("human", "{query}")
]).partial(now=datetime.now())

# 2. 初始化模型
llm = ChatOpenAI(model="gpt-3.5-turbo-16k")

# 3. 单次调用
prompt_value = prompt.invoke({"query": "讲一个程序员的冷笑话"})
ai_message = llm.invoke(prompt_value)
print(ai_message.content)

# 4. 批量调用
batch_prompt = ChatPromptTemplate.from_template("讲一个关于{subject}的冷笑话")
ai_messages = llm.batch([
    batch_prompt.invoke({"subject": "程序员"}),
    batch_prompt.invoke({"subject": "Python"})
])
for msg in ai_messages:
    print(msg.content)

# 5. 流式输出
stream_prompt = ChatPromptTemplate.from_template("介绍下{subject}")
response = llm.stream(stream_prompt.invoke({"subject": "LLMOps"}))
for chunk in response:
    print(chunk.content, end="", flush=True)

3.3 OutputParser组件

解决LLM输出非结构化问题，将模型的字符串输出转换为结构化数据，核心逻辑：输出解析器 = 预设提示 + 解析功能。

3.3.1 解析场景

非结构化文本转结构化数据（JSON/字典/Pydantic模型）；
截取部分文本，仅保留核心结果；
自定义处理，按约定格式解析输出。

3.3.2 核心抽象方法

自定义解析器需实现以下两个方法：

get_format_instructions()：约定输出格式，转换为描述文本并嵌入Prompt；
parse()：解析LLM输出为约定格式。

实际使用中直接调用invoke()，底层会自动执行parse()。

3.3.3 常用解析器

解析器	功能
StrOutputParser	字符串输出解析器，原样返回文本，使用频率最高
JsonOutputParser	转JSON/Python字典，需配合Pydantic BaseModel定义结构
SimpleJsonOutputParser	简易JSON解析器，无需定义Pydantic模型
PydanticOutputParser	转Pydantic模型，强类型校验
CommaSeparatedListOutputParser	逗号分隔的列表解析器
MarkdownListOutputParser	Markdown列表解析器

3.3.4 常用示例

（1）StrOutputParser（基础）

python

from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
print(parser.parse("程序员的梦工厂")) # 程序员的梦工厂

（2）JsonOutputParser（结构化）

python

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field

# 定义Pydantic模型（JSON结构）
class Joke(BaseModel):
    joke: str = Field(description="冷笑话内容")
    punchline: str = Field(description="冷笑话笑点")

# 初始化解析器
parser = JsonOutputParser(pydantic_object=Joke)
# 将格式说明嵌入Prompt
prompt = ChatPromptTemplate.from_template("回答用户问题\n{format_instructions}\n{query}")
prompt = prompt.partial(format_instructions=parser.get_format_instructions())

# 调用模型并解析
prompt_value = prompt.invoke({"query": "讲一个程序员的冷笑话"})
ai_message = llm.invoke(prompt_value)
joke_json = parser.invoke(ai_message)
print(joke_json) # {'joke': '为什么程序员总冷静？', 'punchline': '因为有一堆bug在身边'}

3.3.5 替代方案

若模型支持Function Calling/Tool Calling，可直接定义函数并强制模型调用，无需解析器，实现精准结构化输出。

四、LCEL表达式与Runnable可运行协议

4.1 传统invoke嵌套的缺点

直接嵌套各组件的invoke()方法构建应用，存在以下问题：

代码可读性、维护性差，修改组件困难；
无法监控每一步执行结果，出错难以排查；
组件增多时代码变成“一次性代码”，无法扩展。

4.2 LCEL与Runnable协议简介

LangChain Expression Language (LCEL) 是基于Runnable可运行协议的表达式语言，是LangChain的核心设计，解决组件嵌套问题。

4.2.1 Runnable协议核心能力

所有LangChain组件均实现Runnable协议，提供统一的标准接口和运算符重载，支持：

基础方法：invoke()/batch()/stream()（及异步版本）、astream_log()（流式返回中间步骤）；
运算符重载：|（管道符），支持组件拼接为链；
辅助方法：pipe()，等价于|，实现组件拼接。

4.2.2 组件输入/输出类型约定

各组件的输入为上一个组件的输出，形成流水线式执行，核心组件输入输出类型：

组件	输入类型	输出类型
Prompt	字典	PromptValue
ChatModel	字符串/消息列表/PromptValue	ChatMessage
LLM	字符串/消息列表/PromptValue	字符串
OutputParser	LLM/ChatModel输出	自定义结构化数据
Retriever	字符串	文档列表
Tool	字符串/字典	自定义结果

4.2.3 基础链构建（LCEL核心用法）

通过|拼接组件，替代嵌套调用，代码简洁、可扩展：

python

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 构建链：Prompt → ChatModel → StrOutputParser
chain = ChatPromptTemplate.from_template("{query}") | ChatOpenAI() | StrOutputParser()
# 调用链
result = chain.invoke({"query": "你好，你是？"})
print(result)

4.3 两个核心Runnable类

4.3.1 RunnableParallel（并行运行）

功能：并行执行多个Runnable/函数，以字典形式返回结果，可用于：

并行执行多条链，提升效率；
格式化上游数据，匹配下游组件的输入要求。

示例1：并行执行多条链

python

from langchain_core.runnables import RunnableParallel

# 构建两条独立链
joke_chain = ChatPromptTemplate.from_template("讲一个{subject}的冷笑话") | ChatOpenAI() | StrOutputParser()
poem_chain = ChatPromptTemplate.from_template("写一首{subject}的小诗") | ChatOpenAI() | StrOutputParser()

# 并行运行
parallel_chain = RunnableParallel(joke=joke_chain, poem=poem_chain)
result = parallel_chain.invoke({"subject": "程序员"})
print(result) # {'joke': 'xxx', 'poem': 'xxx'}

示例2：格式化数据（检索+Prompt）

python

def retrieval(query):
    """模拟检索器"""
    return "我叫慕小课，AI开发工程师"

# 并行获取query和检索结果，传递给Prompt
chain = RunnableParallel(
    context=retrieval,
    query=lambda x: x
) | ChatPromptTemplate.from_template("根据上下文{context}回答问题：{query}") | ChatOpenAI() | StrOutputParser()

result = chain.invoke("你好，我叫什么？")
print(result) # 你好，你叫慕小课

4.3.2 RunnablePassthrough（数据透传）

功能：透传上游输入数据，可保持数据不变或新增键，常与RunnableParallel配合使用，核心用法：

RunnablePassthrough()：透传整个输入（字符串/字典）；
RunnablePassthrough.assign()：透传数据并新增键值对；
结合operator.itemgetter：透传字典中的指定字段。

示例1：基础透传

python

from langchain_core.runnables import RunnablePassthrough
from operator import itemgetter

# 方式1：透传整个输入
chain = RunnablePassthrough() | ChatPromptTemplate.from_template("{query}") | ChatOpenAI() | StrOutputParser()
result = chain.invoke({"query": "你好"})

# 方式2：透传字典指定字段
chain = itemgetter("query") | ChatPromptTemplate.from_template("{query}") | ChatOpenAI() | StrOutputParser()
result = chain.invoke({"query": "你好"})

示例2：透传并新增字段

python

# 透传query，并新增context字段（检索结果）
chain = RunnablePassthrough.assign(context=retrieval) | ChatPromptTemplate.from_template("根据{context}回答{query}") | ChatOpenAI() | StrOutputParser()
result = chain.invoke("我叫什么？")

五、Callback回调系统与LangSmith平台

5.1 Callback回调系统

5.1.1 核心功能

Callback是LangChain的钩子机制，在LLM应用的关键执行阶段截获事件，实现：

运行流程监控、日志记录；
流式传输、错误追踪；
统计模型调用次数、Token使用、执行耗时；
自定义业务逻辑（如告警、数据存储）。

5.1.2 核心组成

CallbackHandler：对特定场景（Chain/LLM/Tool/Agent）的事件进行记录，实现具体的钩子方法；
CallbackManager：管理多个CallbackHandler，统一封装、触发钩子事件。

5.1.3 核心钩子方法（事件触发）

事件	触发时机	钩子方法
LLM/ChatModel启动/结束/错误	模型调用阶段	on_llm_start/on_llm_end/on_llm_error
Chain启动/结束/错误	链执行阶段	on_chain_start/on_chain_end/on_chain_error
Tool启动/结束/错误	工具调用阶段	on_tool_start/on_tool_end/on_tool_error
Agent动作/结束	代理执行阶段	on_agent_action/on_agent_finish
模型生成新Token	流式输出阶段	on_llm_new_token

5.1.4 内置CallbackHandler

StdOutCallbackHandler：将日志输出到控制台，用于调试；
FileCallbackHandler：将日志输出到本地文件，用于持久化。

5.1.5 使用方式（推荐前两种）

调用invoke/stream时通过config传递：chain.invoke(input, config={"callbacks": [StdOutCallbackHandler()]})；
链上调用with_config方法：chain.with_config({"callbacks": [StdOutCallbackHandler()]})；
构建模型时传递callbacks参数（不推荐，耦合度高）。

5.1.6 自定义CallbackHandler

继承BaseCallbackHandler，实现所需的钩子方法即可：

python

from langchain_core.callbacks import BaseCallbackHandler
import uuid
from typing import Dict, List, Any

class LLMOpsCallbackHandler(BaseCallbackHandler):
    """自定义回调处理器"""
    def on_llm_start(
        self,
        serialized: Dict[str, Any],
        prompts: List[str],
        run_id: uuid.UUID,
        **kwargs: Any
    ) -> Any:
        print(f"LLM启动，请求参数：{serialized}，提示词：{prompts}")

    def on_llm_new_token(
        self,
        token: str,
        **kwargs: Any
    ) -> Any:
        print(f"生成新Token：{token}")

5.2 LangSmith平台

5.2.1 核心定位

LangSmith是LangChain官方的LLM应用开发平台，从原型到生产全流程支撑，与LangChain无缝衔接，解决LLM应用可观测、可调试、可评估的问题。

5.2.2 核心功能

全流程监控：记录Chain/LLM/Tool的每一步执行数据、输入输出、耗时、Token使用；
调试能力：可视化执行流程，定位出错步骤，支持重跑测试；
评估能力：自定义评估指标，对LLM应用的效果进行量化评估；
Prompt管理：集中管理Prompt，支持版本控制、A/B测试；
LangChain Hub：共享/复用Chain、Prompt、模型配置；
Playground：可视化调试Chain/Prompt，快速验证效果。

5.2.3 项目集成

注册LangSmith账号并获取密钥，配置到项目环境变量中，结合Callback系统即可实现应用的全流程监控，快速定位聊天机器人的执行问题、优化性能。

六、项目集成与工程化开发

6.1 项目接入LangChain

将原有LLM对话接口改写为LangChain Chain形式，利用LCEL实现组件解耦；
遵循项目API文档规范，统一接口输入输出；
集成Callback系统，实现本地日志记录；
配置LangSmith，实现应用的远程监控、调试、评估。

6.2 Git版本控制

仓库配置：初始化本地Git仓库，关联远程仓库（Gitee/GitHub）；
版本约定：每周课程内容对应一个Git版本，做好版本标签；
操作技巧：掌握不同迭代模式（分支开发、合并）、不同IDE的Git操作、提交/拉取/推送/回滚等核心命令；
团队规范：约定分支命名、提交信息规范，避免代码冲突。

6.3 API接口文档规范

6.3.1 接口文档核心要素

一份标准的API文档包含：接口描述、接口地址、请求方法、请求参数、响应内容、错误代码、请求/响应示例。

6.3.2 接口规范选择

RESTful API：以“资源”为核心，结合HTTP方法（GET/POST/PUT/DELETE）实现增删改查，适用于Web应用、对外开放API、单体服务；
RPC：以“动作”为核心，像调用本地函数一样调用远程接口，适用于微服务架构。

6.3.3 LLMOps项目API规范

模块划分：按功能模块组织接口（授权认证、AI应用、工作流、知识库）；
路径约定：资源有多种操作时路径为复数，否则为单数；
授权校验：需授权的接口在Header中添加Authorization: Bearer access_token；
响应状态：统一6种业务状态码：success/fail/not_found/unauthorized/forbidden/validate_error；
响应字段：固定包含code（业务状态码）、data（业务数据）、message（附加信息）。

七、本章核心总结

框架价值：LangChain解决原生LLM开发的工程化问题，实现模型适配、组件复用、流程标准化，大幅降低LLM应用开发难度；
核心组件：掌握Prompt/Model/OutputParser三大核心组件的使用，实现Prompt标准化、模型统一调用、输出结构化；
核心语法：熟练使用LCEL表达式（Runnable协议），通过|拼接组件构建链，替代传统嵌套调用，提升代码可维护性和扩展性；
可观测性：通过Callback回调系统实现本地日志监控，结合LangSmith平台实现LLM应用的全流程调试、监控、评估；
工程化落地：掌握LangChain项目集成、Git版本控制、API文档撰写规范，实现从基础组件使用到企业级项目开发的落地。

LangChain初入门-简化LLM开发难度 ​

章节简介 ​

一、为什么选择LangChain及框架简介 ​

1.1 为什么需要大模型应用开发框架 ​

1.2 选择LangChain的核心原因 ​

1.3 LangChain基本概念 ​

二、LangChain框架安装及文档介绍 ​

2.1 框架安装及组成 ​

2.1.1 安装命令 ​

2.1.2 LangChain v0.2.1核心组成 ​

2.2 文档重构与解读（Diátaxis哲学） ​

2.3 版本文档与辅助工具 ​

三、LangChain核心组件及使用技巧 ​

3.1 Prompt组件 ​

3.1.1 核心分类 ​

3.1.2 Prompt Template核心子组件 ​

3.1.3 核心方法与运算符 ​

3.1.4 格式化方式 ​

3.1.5 常用示例 ​

（1）基础文本Prompt ​

（2）聊天Prompt（含上下文、部分变量） ​

（3）Prompt拼接与复用 ​

3.2 Model组件 ​

3.2.1 核心分类 ​

3.2.2 核心调用方法 ​

3.2.3 Message组件 ​

3.2.4 常用示例 ​

3.3 OutputParser组件 ​

3.3.1 解析场景 ​

3.3.2 核心抽象方法 ​

3.3.3 常用解析器 ​

3.3.4 常用示例 ​

（1）StrOutputParser（基础） ​

（2）JsonOutputParser（结构化） ​

3.3.5 替代方案 ​

四、LCEL表达式与Runnable可运行协议 ​

4.1 传统invoke嵌套的缺点 ​

4.2 LCEL与Runnable协议简介 ​

4.2.1 Runnable协议核心能力 ​

4.2.2 组件输入/输出类型约定 ​

4.2.3 基础链构建（LCEL核心用法） ​

4.3 两个核心Runnable类 ​

4.3.1 RunnableParallel（并行运行） ​

4.3.2 RunnablePassthrough（数据透传） ​

五、Callback回调系统与LangSmith平台 ​

5.1 Callback回调系统 ​

5.1.1 核心功能 ​

5.1.2 核心组成 ​

5.1.3 核心钩子方法（事件触发） ​

5.1.4 内置CallbackHandler ​

5.1.5 使用方式（推荐前两种） ​

5.1.6 自定义CallbackHandler ​

5.2 LangSmith平台 ​

5.2.1 核心定位 ​

5.2.2 核心功能 ​

5.2.3 项目集成 ​

六、项目集成与工程化开发 ​

6.1 项目接入LangChain ​

6.2 Git版本控制 ​

6.3 API接口文档规范 ​

6.3.1 接口文档核心要素 ​

6.3.2 接口规范选择 ​

6.3.3 LLMOps项目API规范 ​

七、本章核心总结 ​

LangChain初入门-简化LLM开发难度

章节简介

一、为什么选择LangChain及框架简介

1.1 为什么需要大模型应用开发框架

1.2 选择LangChain的核心原因

1.3 LangChain基本概念

二、LangChain框架安装及文档介绍

2.1 框架安装及组成

2.1.1 安装命令

2.1.2 LangChain v0.2.1核心组成

2.2 文档重构与解读（Diátaxis哲学）

2.3 版本文档与辅助工具

三、LangChain核心组件及使用技巧

3.1 Prompt组件

3.1.1 核心分类

3.1.2 Prompt Template核心子组件

3.1.3 核心方法与运算符

3.1.4 格式化方式

3.1.5 常用示例

（1）基础文本Prompt

（2）聊天Prompt（含上下文、部分变量）

（3）Prompt拼接与复用

3.2 Model组件

3.2.1 核心分类

3.2.2 核心调用方法

3.2.3 Message组件

3.2.4 常用示例

3.3 OutputParser组件

3.3.1 解析场景

3.3.2 核心抽象方法

3.3.3 常用解析器

3.3.4 常用示例

（1）StrOutputParser（基础）

（2）JsonOutputParser（结构化）

3.3.5 替代方案

四、LCEL表达式与Runnable可运行协议

4.1 传统invoke嵌套的缺点

4.2 LCEL与Runnable协议简介

4.2.1 Runnable协议核心能力

4.2.2 组件输入/输出类型约定

4.2.3 基础链构建（LCEL核心用法）

4.3 两个核心Runnable类

4.3.1 RunnableParallel（并行运行）

4.3.2 RunnablePassthrough（数据透传）

五、Callback回调系统与LangSmith平台

5.1 Callback回调系统

5.1.1 核心功能

5.1.2 核心组成

5.1.3 核心钩子方法（事件触发）

5.1.4 内置CallbackHandler

5.1.5 使用方式（推荐前两种）

5.1.6 自定义CallbackHandler

5.2 LangSmith平台

5.2.1 核心定位

5.2.2 核心功能

5.2.3 项目集成

六、项目集成与工程化开发

6.1 项目接入LangChain

6.2 Git版本控制

6.3 API接口文档规范

6.3.1 接口文档核心要素

6.3.2 接口规范选择

6.3.3 LLMOps项目API规范

七、本章核心总结