上一篇： LangChain入门理解：为什么需要它？)

本文主要整理 LangChain 的核心组件，用于理解其是如何构建 AI 应用的

一、从整体看 LangChain

上一篇笔记核心认知：LangChain 是一个用于构建 LLM 驱动型 AI 应用的开源框架。
1.核心疑问：LangChain 如何实现“构建 AI 应用”？
从极简流程来看，LangChain 本质是实现“输入 → 处理 → 输出”的闭环，但实际开发中会拆分为多个核心组件，形成完整工作流：

---

	用户输入
	  ↓
	Prompt（构造规范输入）
	  ↓
	LLM（核心生成内容）
	  ↓
	Chain（链接多步流程）
	  ↓
	Memory（保存上下文记忆）
	  ↓
	OutputParser（解析输出格式）

---

2.核心思想：将复杂 AI 任务拆分为独立模块（组件），通过标准化接口组合执行，降低开发复杂度

二、核心组件详解

（一）LLM（大语言模型）—— 核心生成器

1.基本作用：

LLM 是整个 LangChain 体系的“核心引擎”，负责接收输入、生成符合语境的内容，是所有 AI 应用的基础。

极简逻辑：
输入 → 输出（接收 Prompt，生成文本结果）
我们来看一段代码：

---

from langchain_openai import ChatOpenAI
# 初始化 LLM 实例（以 OpenAI 模型为例）
model = ChatOpenAI()
# 调用模型
res = model.invoke("解释什么是递归，用通俗的语言说明")
# 输出文本
print(res.content)

---

2.可将 LLM 理解为：

一个“会说话的函数” —— 输入是 Prompt，输出是模型生成的文本，无需关注内部逻辑，只需调用即可

（二）Prompt（提示词）—— 输入控制器

1.核心意义：

LLM 的输出质量，直接由 Prompt 决定。同一个问题，模糊的 Prompt 会导致输出杂乱，明确的 Prompt 能让模型精准响应、提高效率。

---

举个例子：我们要AI帮我们写一段python代码

模糊的 Prompt（输出不可控）：

	帮我写一段代码

明确的 Prompt（输出精准）：

	你是一名Python 高级工程师，写一个快速排序算法，附带详细注释，同时说明时间复杂度和空间复杂度。

2.常用的工具：PromptTemplate
用于生成标准化 Prompt，支持参数化输入，避免重复编写相同格式的提示词

from langchain_core.prompts import PromptTemplate
# 1. 定义模板(这里主要以文本模板为主)
prompt_template = PromptTemplate.from_template(

"Translate the following into{language}")

# 2. 实例化模板
print(prompt_template.invoke({"language": "Chinese"}))

打印结果：

text='Translate the following intoChinese'

---

总结：
Prompt 决定输出质量 —— 编写 Prompt 时，需明确角色、任务要求、输出格式，避免模糊表述

（三）Runnable（核心接口）—— 组件连接器

1. 核心定义：
   在 LangChain 中，几乎所有组件（LLM、Prompt、Parser 等）都继承了 Runnable 接口，是组件之间能够组合的核心基础

---

2. 核心功能（3种常用操作）

• invoke：单次调用（最常用），输入一个参数，返回一个结果
• batch：批量调用，同时输入多个参数，批量返回结果，提升效率
• stream：流式输出，逐步返回结果（类似 ChatGPT 的打字效果）

---

3. 核心作用
   Runnable 的核心作用：统一所有组件的调用方式，让不同组件可以无缝组合（无需关注每个组件的调用差异）。

---

（四）Chain（流程控制器）—— 多步执行者

1. 核心意义：
   现实中的 AI 任务往往是多步骤的（并非“输入 → 输出”一步完成），Chain 负责将多个组件（或步骤）串联起来，按顺序执行。

---

举个例子：最简单的链结构（链接LLM 和 Parser）

# 已初始化 model（LLM 实例）和 parser（OutputParser 实例）
# 用 | 符号串联组件（最常用），形成流程链
chain = model | parser  
# 调用整个流程
result = chain.invoke("你好，讲一个简短的冷笑话")  

---

2. 本质与理解

Chain 的本质：
把多个步骤串起来执行，类似编程中的“函数调用链”：
函数1（Prompt构造） → 函数2（LLM生成） → 函数3（Parser解析）

（五）Memory（记忆组件）—— 上下文保存器

1. 核心问题
   LLM 默认是“无状态”的 —— 每次调用都是独立的，无法记住上一轮的对话内容（比如聊天时，无法记住你之前说过的话），非常影响我们使用

---

2. 核心作用

• 保存对话历史（或上下文信息）

• 将历史信息传入下一次 LLM 调用，让模型“记住”之前的内容

---

3. 典型使用场景
   聊天机器人、AI 助手（需要持续对话，上下文连贯）。

---

Memory 的核心价值：
让 AI“记住之前说过什么”，解决 LLM 无状态的问题，实现连贯对话。

（六）OutputParser（输出解析器）—— 结果格式化工具

1. 核心问题

LLM 的输出是“非结构化文本”（纯字符串），无法直接被程序使用（比如需要 JSON 格式、列表格式等）。

---

我们举个例子：我们可以让AI讲个冷笑话：

# 定义模型（这里以千问为例）
model = ChatTongyi(model="qwen-turbo")
#方式一：直接输出
res = model.invoke("你好，讲一个简短的冷笑话")
print(res)
#方式二：定义输出解析器直接输出
parser = StrOutputParser()
chain = model | parser
# 作用：将 LLM 的输出（非结构化文本）解析为标准字符串
print(chain.invoke("你好，讲一个简短的冷笑话"))

输出结果：

content='为什么冰箱会感冒？  \n因为它打开了门！' additional_kwargs={} response_metadata={'model_name': 'qwen-turbo', 'finish_reason': 'stop', 'request_id': 'fdc528f4-d61c-9e59-85db-ae06c2d146bb', 'token_usage': {'input_tokens': 21, 'output_tokens': 10, 'prompt_tokens_details': {'cached_tokens': 0}, 'total_tokens': 31}} id='lc_run--019d965a-303e-75e2-930b-abab2b03c089-0' tool_calls=[] invalid_tool_calls=[]

为什么数学书总是很忧郁？  
因为它有太多的问题。 😂

---

3. 核心使用

通过 Chain 链接 LLM 和 Parser，直接获取格式化后的结果：

chain = model| parser
result = chain.invoke("什么是 LangChain")

OutputParser 的核心作用：把 LLM 的非结构化输出，转化为程序可直接使用的数据格式（字符串、JSON、列表等）

---

三、组件间的关系

我们可以将上述核心组件链接起来，可实现一个最简单的 LangChain 流程，逻辑流程为：

用户输入（讲编程笑话） → LLM（生成笑话） → Parser输出解析（格式化字符串） → 最终结果

转换为代码：

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 1. 初始化核心组件
# 定义模型（LLM 核心）
model= ChatOpenAI()  
# 输出解析器
parser = StrOutputParser()  

# 2. 用 Chain 链接组件（LLM → 解析器）
chain = model| parser

# 3. 调用流程，获取结果
result = chain.invoke("什么是langchain")
print(result )

---

四、小结

通过这一篇，我们已经梳理清楚了：

LangChain 是如何将多个组件组合起来，构建完整的 AI 应用流程

---

它的核心能力在于：

• 拆分任务
• 组织流程
• 串联组件

让原本只能“单次对话”的大模型，具备了构建实际应用的能力。

---

不过，到这里还有一个关键问题没有解决：

模型虽然可以完成流程，但它的“知识来源”仍然是有限但目前仍存在一个关键局限：

模型的回答高度依赖自身预训练知识，信息来源存在明显边界。
典型问题包括：

• 无法访问本地文档
• 无法获取企业私有数据
• 无法使用最新的信息

---

由此引出一个核心问题：

如何让模型调用外部知识，回答它原本 “不知道” 的问题？

这正是下一节我们要重点解决的关键技术：

RAG 检索增强生成