能解决什么问题？

如果你直接调用大模型 API，会发现几个痛点：每次都要自己拼接提示词、多轮对话要手动管理历史记录、想让模型查天气或搜资料得自己写一堆逻辑。LangChain 就是把这些重复工作打包成标准组件，让你像搭积木一样组合出聊天机器人、文档问答、智能体等应用。它支持国产大模型如通义千问、智谱 GLM、百度文心等，国内可直连，不用折腾网络。

准备工作

首先，你需要一个国产大模型的 API Key。以智谱 AI 为例，访问其开放平台官网，注册账号并完成实名认证，然后在控制台创建一个 API Key，复制保存。通义千问和百度千帆类似，注册后都能免费领取一定额度。

接着安装 Python 环境（建议 3.8 以上），打开命令行，输入以下命令安装 LangChain 和对应模型库：

pip install langchain langchain-community zhipuai

如果使用通义千问，则安装 dashscope 库。安装完成后，在代码中设置环境变量或直接传入 API Key。注意：不要把 Key 硬编码到代码里，建议用 .env 文件管理。

分步骤实操

步骤 1：跑通第一个对话

新建一个 Python 文件，输入以下代码：

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import HumanMessage
chat = ChatZhipuAI(model="glm-4", api_key="你的Key")
response = chat.invoke([HumanMessage(content="你好，请介绍一下 LangChain")])
print(response.content)

运行后，你会看到模型返回的介绍。这一步验证了环境配置正确。

步骤 2：使用提示词模板

硬编码提示词不灵活。LangChain 提供 PromptTemplate，让你把变量动态填入。例如：

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一位{role}，用简洁的语言回答。"),
("human", "{question}")
])
chain = prompt | chat
result = chain.invoke({"role": "历史老师", "question": "唐朝有哪些重要发明？"})
print(result.content)

这里用了管道符“|”把提示词和模型串联起来，这就是 LangChain 的核心思想——链（Chain）。

步骤 3：加入记忆功能

多轮对话需要记住上下文。使用 ConversationBufferMemory 或新版 RunnableWithMessageHistory。简单示例：

from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
store = {}
def get_session_history(session_id):
if session_id not in store:
store[session_id] = ChatMessageHistory()
return store[session_id]
with_history = RunnableWithMessageHistory(chain, get_session_history)
config = {"configurable": {"session_id": "user1"}}
print(with_history.invoke({"role":"助手","question":"我叫小明"}, config).content)
print(with_history.invoke({"role":"助手","question":"我叫什么？"}, config).content)

第二次提问时，模型会回答“你叫小明”，说明记忆生效了。

步骤 4：集成工具让模型查天气

LangChain 支持工具调用。定义一个获取天气的函数，用 @tool 装饰器注册：

from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
"""查询城市天气"""
return f"{city}今天晴，25度"
tools = [get_weather]
llm_with_tools = chat.bind_tools(tools)
response = llm_with_tools.invoke("北京天气怎么样？")
print(response.tool_calls)

模型会返回一个工具调用请求，你再执行函数并把结果传回模型，就能得到最终答案。

进阶技巧

常见问题

Q1：一定要用 OpenAI 吗？

不用。LangChain 支持几十种模型，国内推荐智谱 GLM、通义千问、百度文心、讯飞星火等，注册后都能直连，价格也便宜。

Q2：报错“API Key 无效”怎么办？

检查 Key 是否复制完整，是否在环境变量中设置正确。有些平台需要开通对应模型权限，去控制台确认一下。

Q3：LangChain 版本更新快，代码不兼容怎么办？

建议固定版本，如 pip install langchain==0.2.0。关注官方文档的迁移指南，新项目优先使用 LangChain Expression Language（LCEL）写法。