chapter 2 LangChain核心组件实操

# 导入必要的模块

from langchain_openai import ChatOpenAI  # OpenAI对话模型的统一接口
from dotenv import load_dotenv
import os

# 加载API密钥（和上一章一样，从.env文件读取）
load_dotenv()
  
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")  # 从环境变量读取，未配置时默认为None（使用OpenAI官方地址）

if not API_KEY:

    raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")

# 1. 初始化对话模型
# 不管是哪个厂商的ChatModel，初始化参数都类似（model、temperature等）
chat_model = ChatOpenAI(
    api_key=API_KEY,
    base_url=BASE_URL,
    model="gpt-5.4",  # 选择对话模型
    temperature=0.3,        # 随机性：0-1，越小越严谨，越大越有创造力
    max_tokens=200          # 最大生成 tokens 数，避免生成过长内容
)

# 2. 构造对话消息
# ChatModel需要接收的是“消息列表”，每个消息有角色（user/assistant/system）和内容
messages = [
    # system消息：给助手设定身份和行为准则，会影响后续所有回复
    {"role": "system", "content": "你是一个耐心的AI学习助手，回复简洁易懂，适合高校学生理解。"},
    # user消息：用户的问题
    {"role": "user", "content": "3句话解释什么是LangChain？"}
]

# 3. 调用模型生成结果
# 统一调用方法：invoke()，传入消息列表
result = chat_model.invoke(messages)

# 4. 输出结果
# 结果是一个ChatMessage对象，content属性是回复内容
print("ChatModel回复：")
print(result.content)

ChatModel回复：
LangChain 是一个用于构建基于大语言模型（LLM）应用的开发框架，能把模型、提示词、工具、数据库和外部 API 连接起来。  
它的核心作用是帮助开发者把“模型会聊天”升级成“模型能完成复杂任务”，比如检索知识、调用工具、执行多步流程。  
简单说，LangChain 就像大模型应用的“搭积木工具箱”，方便你快速开发智能问答、Agent、RAG 等应用。

【第一轮回复】：
LangChain 是一个帮助开发者构建基于大语言模型（LLM）应用的开发框架。  
它把提示词管理、模型调用、知识检索、记忆、工具使用等能力串联起来，让开发流程更方便。  
简单来说，LangChain 就像是大模型应用的“积木工具箱”，适合用来开发聊天机器人、智能问答和自动化助手。

【第二轮回复】：
LangChain 的核心组件通常可以概括为这几类：

1. **Models（模型）**：负责调用大语言模型、聊天模型或文本嵌入模型。  
2. **Prompts（提示模板）**：用于规范输入内容，让模型按预期格式回答。  
3. **Chains（链）**：把多个步骤串起来，比如“提问 → 检索资料 → 生成回答”。  
4. **Memory（记忆）**：让系统保留上下文，适合多轮对话场景。  
5. **Tools（工具）**：让模型可以调用外部能力，比如搜索、计算器、数据库、API。  
6. **Agents（智能体）**：根据任务动态决定调用哪些工具、按什么步骤执行。  
7. **Retrievers / Vector Stores（检索器 / 向量库）**：用于从外部知识库中查找相关信息，常用于 RAG 应用。  

如果你愿意，我也可以继续用一个“聊天机器人例子”帮你把这些组件串起来理解。

【第三轮回复】：
一个很典型的简单场景是：**“基于企业文档的智能问答机器人”**。  

比如你把公司的员工手册、报销制度、请假流程等文档接入 LangChain，用户提问“出差报销上限是多少？”，系统会先用 **Retriever** 从文档中找相关内容，再把结果连同问题交给 **LLM** 生成自然语言回答。  

这里会用到的核心组件包括：**向量库/检索器**（找资料）、**Prompt**（组织提问方式）、**Model**（生成答案），如果是多轮对话还可以加上 **Memory** 来记住上下文。

# 1. 定义提示词模板
# input_variables：动态参数列表（这里是user_role和subject）
# template：提示词模板字符串，用{参数名}表示动态参数
prompt_template = PromptTemplate(
    input_variables=["user_role", "subject"],
    template="请给{user_role}写一段50字左右的{subject}学习建议，语言简洁实用，分2个小要点。"
)

# 2. 格式化模板（传入具体参数，生成完整提示词）
# 给“高校学生”生成“LangChain”学习建议
formatted_prompt = prompt_template.format(
    user_role="高校学生",
    subject="LangChain"
)
print("格式化后的提示词：")
print(formatted_prompt)

# 3. 调用模型生成结果
result = chat_model.invoke([{"role": "user", "content": formatted_prompt}])

格式化后的提示词：
请给高校学生写一段50字左右的LangChain学习建议，语言简洁实用，分2个小要点。

生成的学习建议：
- 先用官方文档跑通 `Prompt`、`Chain`、`Memory` 示例，理解调用流程，再自己改一个小项目。
- 边学边练 `RAG` 与工具调用，记录报错和调试方法，重点培养排查与落地能力。

user_role="程序员", subject="AI Agent"

格式化后的提示词：
请给程序员写一段50字左右的AI Agent学习建议，语言简洁实用，分2个小要点。

生成的学习建议：
- 先学会把任务拆小，给Agent清晰目标、约束和验收标准；先做能验证的小流程。
- 多记录提示词、失败案例和改法，持续复盘；先提效代码、测试、文档等高频场景。

# 1. 定义示例（少样本的核心：给模型看的参考案例）
examples = [
    {
        "subject": "Python编程",
        "method": "核心目标：掌握基础语法和常用库；学习步骤：1. 学习变量、函数等基础语法 2. 实操小项目（如计算器） 3. 学习Pandas、Matplotlib库；注意事项：多动手实操，遇到错误及时调试。"
    },
    {
        "subject": "机器学习",
        "method": "核心目标：理解基础算法原理和应用场景；学习步骤：1. 复习数学基础（线性代数、概率） 2. 学习经典算法（线性回归、决策树） 3. 用Scikit-learn实操；注意事项：先理解原理，再动手实现，避免死记硬背。"
    }
]

# 2. 定义示例模板（告诉模型如何解析示例）
example_template = """
学科：{subject}
学习方法：{method}
"""
example_prompt = PromptTemplate(
    input_variables=["subject", "method"],
    template=example_template
)

# 3. 定义最终的提示词模板（包含示例和用户需求）
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,                # 传入示例
    example_prompt=example_prompt,    # 示例模板
    suffix="学科：{new_subject}\n学习方法：",  # 最终给用户的提示（在示例之后）
    input_variables=["new_subject"]   # 动态参数：用户要查询的新学科
)

# 4. 格式化模板（传入新学科：LangChain）
formatted_prompt = few_shot_prompt.format(new_subject="LangChain")
print("少样本提示词：")
print(formatted_prompt)

# 5. 调用模型生成结果
result = chat_model.invoke([{"role": "user", "content": formatted_prompt}])

生成的LangChain学习方法：
学科：LangChain
学习方法：核心目标：掌握基于大语言模型的应用开发流程，能够用 LangChain 搭建简单问答、检索增强生成（RAG）和工具调用应用；学习步骤：1. 先了解大语言模型基础、Prompt 设计、Embedding 和向量数据库等相关概念 2. 学习 LangChain 的核心组件，如 `PromptTemplate`、`LLM`、`Chain`、`Memory`、`Retriever` 和 `Agent` 3. 结合官方文档实操小项目，例如文档问答机器人、网页内容总结工具或本地知识库检索系统；注意事项：优先理解各组件之间的调用关系与适用场景，关注版本更新带来的接口变化，多通过实际项目加深理解。

[
{"subject": "Python编程（入门）", "difficulty": "easy", "method": "核心目标：掌握基础语法；学习步骤：1.变量与数据类型 2.条件语句；注意事项：边学边练"},
{"subject": "Python编程（进阶）", "difficulty": "hard", "method": "核心目标：掌握面向对象与库开发；学习步骤：1.类与对象 2.模块开发；注意事项：参与开源项目"},
{"subject": "机器学习（入门）", "difficulty": "easy", "method": "核心目标：理解基础概念；学习步骤：1.数据预处理 2.简单模型；注意事项：用Excel辅助理解"},
{"subject": "机器学习（进阶）", "difficulty": "hard", "method": "核心目标：掌握模型优化；学习步骤：1.特征工程 2.超参数调优；注意事项：研读论文复现实验"}
]

example_selector = LengthBasedExampleSelector( # 按长度筛选示例（控制提示词总长度）
	examples=examples, 
	example_prompt=PromptTemplate( 
		input_variables=["subject", "difficulty", "method"], 
		template="学科：{subject}\n难度：{difficulty}\n学习方法：{method}\n" 
	), 
	max_length=150, # 控制示例总长度，避免提示词过长 
	get_text_length=lambda x: len(x) # 长度计算函数 # 
)

#自定义ExampleSelector按难度筛选示例
# 当需要根据用户输入的特征（如难度）精准匹配示例时，可自定义ExampleSelector
class DifficultyExampleSelector(BaseExampleSelector):
    """根据用户输入的 difficulty 字段筛选样本"""
    def __init__(self, examples: List[Dict[str, str]]):
        self.examples = examples

    def add_example(self, example: Dict[str, str]) -> None:
        self.examples.append(example)

    def select_examples(self, input_variables: Dict[str, str]) -> List[Dict]:
        # 获取用户输入的难度等级，如果没有提供则默认为 'easy'
        target_difficulty = input_variables.get("difficulty", "easy")
        # 过滤出匹配难度的所有示例
        return [ex for ex in self.examples if ex.get("difficulty") == target_difficulty]

example_selector = DifficultyExampleSelector(examples=examples)

# 5. 构建工程化少样本模板
few_shot_prompt = FewShotPromptTemplate(
    example_selector=example_selector,  # 替换固定examples为动态选择器
    example_prompt=PromptTemplate(
        input_variables=["subject", "difficulty", "method"],
        template="学科：{subject}\n难度：{difficulty}\n学习方法：{method}\n"
    ),
    example_separator="\n", # 控制examples示例之间的分隔方式
    prefix="少样本提示：",
    suffix="参考以上示例，回答：\n学科：{new_subject}\n难度：{difficulty}\n学习方法：",
    input_variables=["new_subject", "difficulty"]  # 新增难度参数
)

# 6. 动态生成不同难度的提示词
# 场景1：生成入门级LangChain学习方法
formatted_prompt_easy = few_shot_prompt.format(
    new_subject="LangChain",
    difficulty="easy"
)
print("入门级少样本提示词：")
print(formatted_prompt_easy)
result_easy = chat_model.invoke([{"role": "user", "content": formatted_prompt_easy}])
print("\n入门级学习方法：")
print(result_easy.content)

入门级少样本提示词：
少样本提示：
学科：Python编程（入门）
难度：easy
学习方法：核心目标：掌握基础语法；学习步骤：1.变量与数据类型 2.条件语句；注意事项：边学边练

学科：机器学习（入门）
难度：easy
学习方法：核心目标：理解基础概念；学习步骤：1.数据预处理 2.简单模型；注意事项：用Excel辅助理解

参考以上示例，回答：
学科：LangChain
难度：easy
学习方法：

入门级学习方法：
核心目标：了解 LangChain 的基本作用与常见组成；学习步骤：1.认识 LLM、Prompt、Chain 的关系 2.动手搭建一个简单问答流程；注意事项：先理解流程，再尝试调用实际模型接口，边学边练

# 场景2：生成进阶级LangChain学习方法
formatted_prompt_hard = few_shot_prompt.format(
    new_subject="LangChain",
    difficulty="hard"
)
print("\n进阶级少样本提示词：")
print(formatted_prompt_hard)
result_hard = chat_model.invoke([{"role": "user", "content": formatted_prompt_hard}])
print("\n进阶级学习方法：")
print(result_hard.content)

进阶级少样本提示词：
少样本提示：
学科：Python编程（进阶）
难度：hard
学习方法：核心目标：掌握面向对象与库开发；学习步骤：1.类与对象 2.模块开发；注意事项：参与开源项目

学科：机器学习（进阶）
难度：hard
学习方法：核心目标：掌握模型优化；学习步骤：1.特征工程 2.超参数调优；注意事项：研读论文复现实验

参考以上示例，回答：
学科：LangChain
难度：hard
学习方法：

进阶级学习方法：
学科：LangChain（进阶）
难度：hard
学习方法：核心目标：掌握基于大语言模型的应用链路设计与智能体开发；学习步骤：1.理解 Prompt、LLM、Output Parser、Chain 等核心组件 2.掌握 Memory、Retriever、Tools、Agent 等高级能力并完成项目实战；注意事项：结合官方文档与源码学习，重点关注版本变化，动手搭建 RAG 与 Agent 项目并持续调试优化