LangChain 是构建大模型应用的「万能积木框架」—— 它把大模型、数据、工具（数据库 / API / 爬虫）等能力拆成可复用的组件，让你不用从零写代码，就能快速搭出复杂的 AI 应用（比如智能问答机器人、AI 数据分析助手、自主执行任务的智能体）。

下面用「通俗讲解 + 实战代码」的方式，带你从零入门 LangChain，核心目标：1 小时内跑通第一个 LangChain 应用，理解核心逻辑。

一、先搞懂 LangChain 的核心定位

1. 它解决了什么问题？

纯大模型（比如 GPT-3.5）有两个痛点：

• 「失忆」：无法直接访问你的本地文档、数据库、实时数据（比如查今天的天气、公司内网数据）；
• 「无能」：只能聊天，不能主动调用工具（比如查数据库、发邮件、爬网页）。

LangChain 的核心价值：把大模型和「外部数据 / 工具」串联起来，让 AI 能「读你的数据」+「做具体事」。

2. 核心设计思路：「组件化」

LangChain 把 AI 应用的全流程拆成一个个独立组件，你像拼乐高一样组合即可：

核心组件	作用（通俗版）
模型（Models）	对接各种大模型（OpenAI/LLaMA/ 文心一言），是 AI 的「大脑」
数据连接（Document Loaders）	读取你的本地数据（PDF/Excel/Word）、网络数据（网页 / API）
文本处理（Text Splitters）	把长文档拆成小片段（适配大模型的上下文窗口）
检索（Retrievers）	从你的数据里找和问题相关的内容（RAG 核心）
提示词（Prompts）	给大模型发指令 + 传数据，控制回答的逻辑
记忆（Memory）	保存多轮对话历史（让 AI 记得你之前问了什么）
工具（Tools）	让 AI 调用外部工具（查数据库 / 发邮件 / 算数学题）
链（Chains）	把多个组件串起来（比如「加载文档→检索→大模型回答」）
智能体（Agents）	让 AI 自主决策（比如「用户问天气→AI 调用天气 API→返回结果」）

二、环境准备（5 分钟搞定）

1. 安装依赖

# 核心依赖（基础组件）
pip install langchain

# 对接 OpenAI 大模型（新手首选，易上手）
pip install openai

# 文档加载依赖（支持 PDF/Excel 等）
pip install pypdf python-dotenv

# 可选：本地模型依赖（比如 LLaMA 3）
# pip install langchain-community llama-cpp-python

2. 配置 API 密钥（以 OpenAI 为例）

新建 .env 文件，写入你的 OpenAI API 密钥（没有的话去 OpenAI 官网申请）：

OPENAI_API_KEY=你的api密钥
# 国内用户可配置代理地址（可选）
# OPENAI_BASE_URL=https://api.openai-proxy.com/v1

三、入门实战：3 个核心案例（从简单到复杂）

案例 1：基础对话（调用大模型）

最基础的用法：用 LangChain 对接 OpenAI，实现聊天功能（比直接调用 OpenAI API 更简洁）。

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage

# 加载环境变量
load_dotenv()

# 1. 初始化大模型（对接 OpenAI 的 GPT-3.5）
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.1,  # 回答随机性（0=最严谨，1=最有创意）
    api_key=os.getenv("OPENAI_API_KEY")
)

# 2. 构造对话消息（System 是系统指令，Human 是用户问题）
messages = [
    SystemMessage(content="你是一个友好的助手，回答简洁明了，用中文回复。"),
    HumanMessage(content="什么是 LangChain？")
]

# 3. 调用大模型并输出结果
response = llm.invoke(messages)
print("AI 回答：", response.content)

运行结果示例：

AI 回答：LangChain 是一个构建大模型应用的框架，核心是将大模型与外部数据、工具串联，通过组件化的方式快速搭建复杂的 AI 应用（如智能问答、AI 智能体等），简化大模型应用的开发流程。

案例 2：多轮对话（带记忆功能）

让 AI 记住之前的对话内容（比如先问「我叫小明」，再问「我叫什么」，AI 能回答）。

from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 1. 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.1)

# 2. 初始化记忆（保存对话历史）
memory = ConversationBufferMemory()

# 3. 构建对话链（把大模型和记忆串联）
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 打印对话流程（方便调试）
)

# 4. 多轮对话
conversation.invoke(input="我叫小明，是一名测试工程师")
response = conversation.invoke(input="我叫什么名字？我的职业是什么？")

# 输出结果
print("\n最终回答：", response["response"])

运行结果示例：

# 控制台会打印对话流程（verbose=True）
> Entering new ConversationChain chain...
> Finished chain.

最终回答： 你叫小明，职业是测试工程师哦。

案例 3：RAG 文档问答（核心场景）

让 AI 读取你的本地 PDF 文档，回答关于文档的问题（LangChain 最常用的场景之一）。

步骤 1：准备文档

新建 data 文件夹，放入一个 PDF 文档（比如《测试工程师手册.pdf》）。

步骤 2：核心代码

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

# 1. 加载并分割 PDF 文档
loader = PyPDFLoader("./data/测试工程师手册.pdf")  # 替换为你的 PDF 路径
documents = loader.load()

# 拆分文档（大模型上下文有限，拆成小片段）
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,  # 每个片段 500 个字符
    chunk_overlap=50  # 片段重叠 50 字符（避免上下文断裂）
)
split_docs = text_splitter.split_documents(documents)

# 2. 构建向量库（把文档片段转成向量，方便检索）
embeddings = OpenAIEmbeddings()  # OpenAI 嵌入模型（把文本转向量）
vector_db = FAISS.from_documents(split_docs, embeddings)

# 3. 构建检索链（检索相关文档 + 大模型回答）
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.1)
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",  # 把检索到的文档全部传给大模型
    retriever=vector_db.as_retriever(search_kwargs={"k": 3}),  # 检索最相关的 3 个片段
    return_source_documents=True  # 返回参考的文档片段
)

# 4. 提问并获取答案
query = "测试用例的设计原则有哪些？"
result = qa_chain.invoke({"query": query})

# 输出结果
print("回答：", result["result"])
print("\n参考文档片段：")
for doc in result["source_documents"]:
    print("-", doc.page_content[:100], "...")  # 只打印前 100 字符

运行结果示例：

回答： 测试用例的设计原则主要包括：1. 有效性：确保用例能覆盖核心功能，验证功能是否符合需求；2. 可重复性：用例可重复执行，结果可复现；3. 独立性：每个用例独立，不依赖其他用例的执行结果；4. 覆盖性：兼顾正常场景和异常场景；5. 简洁性：步骤清晰，无冗余操作。

参考文档片段：
- 测试用例设计原则
1. 有效性：测试用例必须能够验证功能是否符合需求，无效的用例无任何意义。
2. 可重复性：相同的测试用例在相同环境下... ...

四、核心概念巩固（新手必懂）

1. Chain（链）

把多个组件串联起来的「管道」，比如案例 3 中的 RetrievalQA 链：加载文档 → 拆分 → 转向量 → 检索相关片段 → 传给大模型 → 生成回答LangChain 内置了大量现成的链（比如 ConversationChain 对话链、RetrievalQA 检索问答链），不用自己从头拼。

2. Memory（记忆）

本质是「保存对话历史的容器」，常用的有：

• ConversationBufferMemory：简单保存所有对话（适合短对话）；
• ConversationSummaryMemory：总结长对话（避免历史过长）；
• ConversationTokenBufferMemory：按 token 数限制保存（适配大模型上下文）。

3. Retriever（检索器）

从向量库中找和问题相关的文档片段，核心参数 k：检索前 k 个最相关的片段（k=3 即找 Top3）。

五、进阶方向（入门后拓展）

1. 对接本地模型：不用 OpenAI，改用 LLaMA 3 / 通义千问等本地模型（需下载模型文件）；
2. 工具调用：让 AI 调用外部工具（比如查天气 API、操作数据库、爬网页）；
3. 智能体（Agent）：实现 AI 自主决策（比如「用户问 “今天适合跑步吗？”→ AI 查天气→ 查空气质量→ 给出建议」）；
4. 多模态：处理图片 / 音频（比如上传一张截图，让 AI 分析截图内容）。

六、新手避坑指南

1. 不要贪多：先掌握「模型 + 链 + 检索」核心三件套，再学智能体等复杂功能；
2. API 密钥安全：不要直接写在代码里，用 .env 文件 +load_dotenv 加载；
3. 文档拆分尺寸：chunk_size 不是越小越好（建议 500-1000 字符），太小会丢失上下文；
4. verbose 调试：开发时打开 verbose=True，能看到链的执行流程，快速定位问题。

总结

LangChain 入门的核心是「理解组件 + 复用链」：

• 简单场景（聊天）：用 ChatOpenAI + ConversationChain；
• 文档问答场景：用「Loader+Splitter+VectorDB+RetrievalQA」；
• 复杂场景（工具调用）：用 Agent + Tools。

先跑通上面的 3 个案例，再根据具体需求（比如做公司知识库问答、AI 数据分析）拓展组件，很快就能上手实际开发。