开篇介绍
LangChain 是构建大语言模型（LLM）应用的核心框架，它能将模型与外部数据、计算工具无缝连接，是打造智能体（Agent）的基石。无论是开发自动客服、数据分析助手还是个性化推荐系统，LangChain 都是不可或缺的工具。本教程将带你从零开始，在 2026 年的技术背景下，掌握 LangChain 1.x 的核心用法。学完本教程，你将具备独立构建具备记忆、检索和工具调用能力的智能体的实战技能，轻松迈入 AI 应用开发的大门。
前置准备
- 账号注册：访问 OpenAI 或主流大模型提供商官网，注册账号并获取 API Key。请妥善保管密钥，切勿泄露。
- 环境配置：确保本地安装 Python 3.9 及以上版本。推荐使用虚拟环境管理工具（如 venv 或 conda）隔离项目依赖。
- 前置知识：需具备基础的 Python 编程能力，了解异步编程概念更佳，但不强制要求深入理解深度学习原理。
- 依赖安装：在终端执行
pip install langchain langchain-openai python-dotenv以安装核心库及环境变量管理工具。
步骤详解
第一步：初始化环境与模型连接
首先，在项目根目录创建 .env 文件，写入 OPENAI_API_KEY=你的密钥。接着编写初始化代码，加载环境变量并实例化模型。使用 ChatOpenAI 类时，务必指定 model_name 参数为最新支持的模型（如 "gpt-4o"）。
注意：若密钥加载失败，程序将抛出异常，请检查文件名是否为 .env 且无后缀。
预期结果：成功打印出模型对“你好”的简单回复，证明连接畅通。
第二步：构建提示词模板（Prompt Template）
硬编码提示词缺乏灵活性。我们需要使用 ChatPromptTemplate 定义动态模板。设置 template 参数，利用 {variable} 语法预留变量位置，例如：“你是一个{role}，请回答：{question}"。
关键点在于区分系统指令与用户输入，通过 messages 列表结构化传递。这能确保模型始终遵循预设角色。
预期结果：传入不同变量后，模型能根据角色设定输出风格迥异的回答。
第三步：组装链（Chain）并执行
将提示词模板与模型连接成“链”。使用 prompt | model 的简洁语法（基于 LangChain 1.x 的新特性）组合组件。调用 invoke 方法传入字典格式的参数（如 {"role": "专家", "question": "..."}" ）触发执行。
警告：输入参数的键名必须与模板中的变量名完全一致，否则会导致运行报错。
预期结果：控制台输出经过角色扮演的完整回答内容。
第四步：赋予智能体工具调用能力
真正的智能体需要操作外部世界。定义一个简单的工具函数（如搜索或计算器），并使用 @tool 装饰器注册。随后，利用 create_tool_calling_agent 快速构建代理，将其绑定到模型和工具列表上。
此步骤是核心难点，需确保工具函数的文档字符串（docstring）清晰，以便模型理解何时调用该工具。
预期结果：当用户提问涉及计算或查询时，智能体能自动调用工具并返回精确结果，而非瞎编乱造。
进阶技巧
想要提升开发效率？尝试使用 LangSmith 进行链路追踪与调试，它能可视化每一步的耗时与令牌消耗，快速定位瓶颈。针对常见问题如“模型忘记上下文”，可引入 ConversationBufferMemory 模块，让智能体拥有短期记忆。专业玩家的小窍门是：利用 few-shot prompting（少样本提示）在模板中植入示例，能显著提升复杂任务的成功率。此外，对于高并发场景，务必使用 ainvoke 异步方法替代同步调用，大幅提升吞吐量。
总结与实践
回顾全文，我们完成了从环境配置、模型连接、提示词工程到智能体构建的全流程。核心在于理解“链”的组合逻辑与“工具”的注册机制。建议你尝试修改本教程代码，接入本地知识库或联网搜索插件，打造一个专属的个人助理。更多深度内容，可查阅 LangChain 官方文档及社区精选案例，持续探索 AI 应用的无限可能。
