您的第一个LangChain应用

这个初步例子呈现了如何将LangChain的模块化部件组合成一个可用的应用。它是一个实际范例，展现了LangChain的核心功能：将模块化部件连接成一个有逻辑、可运行的图。我们将构建一个简单程序，它从用户获取一个主题，将其格式化为提示，发送给语言模型，并返回一个有结构的回复。

这个过程呈现了用LangChain构建应用的主要模式。你定义数据流动，通过连接部件来构建它，然后用你的输入来运行。

基本部件：模型、提示与解析器

我们的第一个应用将使用三个必要部件：

1. 一个聊天模型： 这是一个将处理我们请求的语言模型。我们将使用一个围绕OpenAI模型的封装，它提供了一个一致的交互界面。
2. 一个提示模板： 提示模板提供了一种有结构且可重复使用的方式来生成提示，而不是将用户输入直接放入字符串中。这使得指令与用户提供的数据之间能清晰地分开。
3. 一个输出解析器： 大型语言模型（LLMs）以特定数据结构返回响应，例如 AIMessage 对象。输出解析器是一个简单部件，它将这种原始输出转换为更可用的格式，如一个普通字符串。

使用LCEL组合应用

LangChain表达式语言（LCEL）是将这些部件链接在一起的标准方式。它使用一种类似于管道 (|) 运算符的语法，其中一个部件的输出作为输入传递给下一个。这为你的应用逻辑创建了一个清晰易懂的定义。

我们简单应用的数据流动可以被看作一个序列，其中数据在每一步都被转换。

这是第一个应用的数据管道。输入字典用于格式化提示，该提示被发送到模型。模型的响应随后被解析成一个最终字符串。

用代码构建应用

让我们把这种结构转换为Python脚本。请确保你已按照上一节所示在环境中配置了OpenAI API凭据。

首先，我们导入所需类。ChatOpenAI 是我们的模型接口，ChatPromptTemplate 用于我们的提示，而 StrOutputParser 将整理最终输出。

# main.py
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 从.env文件加载环境变量
load_dotenv()

# 确保已设置OPENAI_API_KEY
if "OPENAI_API_KEY" not in os.environ:
    raise ValueError("OPENAI_API_KEY 环境变量未设置。")

接下来，我们实例化这三个部件。我们的提示模板将包含一个占位符 {topic}，它将被用户输入填充。

# 1. 初始化模型
# 我们将使用gpt-4o-mini，因其速度和能力。
# temperature参数控制随机性；0表示更确定的输出。
model = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# 2. 定义提示模板
# 此模板指示模型扮演一个乐于助人的助手，并生成
# 关于给定主题的一个有趣事实。
prompt = ChatPromptTemplate.from_template(
    "你是一个乐于助人的助手。告诉我一个关于{topic}的有趣事实。"
)

# 3. 初始化输出解析器
# 这将把模型的邮件对象转换为一个简单字符串。
parser = StrOutputParser()

定义好部件后，我们现在可以使用LCEL的 | 运算符将它们链接在一起，形成一个链。这个 chain 对象是一个可运行的管道。

# 4. 通过将部件连接起来构建链
chain = prompt | model | parser

这一行代码定义了整个工作流。prompt 部件将接收初始输入，其输出将发送给 model，而模型的输出将由 parser 处理。

执行链

要运行该链，我们调用其 invoke() 方法。链的输入必须与第一个部件（在此例中是提示模板）预期的变量匹配。由于我们的模板预期一个 {topic}，我们传递一个包含主题的字典。

# 5. 用输入字典调用链
input_data = {"topic": "the Eiffel Tower"}
response = chain.invoke(input_data)

print(response)

运行此脚本将产生模型的一个响应，例如：

埃菲尔铁塔最初是为1889年世博会建造的一个临时设施，并差点在1909年被拆除，但因被改作一个巨型无线电报天线而得以保存。

当 invoke() 被调用时，LangChain 处理整个操作序列：

1. input_data 字典被传递给 prompt 对象。
2. ChatPromptTemplate 将 {topic} 占位符替换为“埃菲尔铁塔”，并创建一个格式化提示。
3. 这个格式化提示被发送给 model (ChatOpenAI)。
4. 模型与OpenAI API通信并接收一个响应，该响应封装在一个 AIMessage 对象中。
5. AIMessage 对象被传递给 parser (StrOutputParser)。
6. 解析器从 AIMessage 中提取字符串内容。
7. 最终字符串作为 invoke() 调用的结果返回。

你现在已成功构建并运行了你的第一个LangChain应用。这个简单的 prompt | model | parser 结构构成了你将构建的几乎所有应用的起点。在接下来的章节中，我们将通过添加更精致的部件来扩展此模式，用于管理记忆、连接外部数据，并实现更复杂的、多步推理 (inference)。