LangChain 入门实战：手把手教你用 20 行代码搭建第一个 AI 应用

LangChain

#

你是不是也写过这样的代码？
#

你有没有试过，自己写代码去调用大模型的接口？

我猜很多人第一次都是这么过来的：先把 prompt 用 f-string 拼出来，再发一个 HTTP 请求，拿到返回后翻半天找 content 字段，最后还要处理超时、报错、重试……

麻烦吗？挺麻烦的。

更麻烦的是：今天用的 OpenAI，明天想换成 DeepSeek，或者加个记忆功能，代码基本要推倒重写。

那有没有一个框架，能把"调模型"这件事做得又快又优雅？

有。它就是 LangChain。

今天这篇文章，我不打算讲太多枯燥的理论。我会直接带你写一个能跑起来的小项目，让你 20 分钟内，用 20 行代码，搭出你的第一个 AI 应用。

LangChain 是什么？
#

先用一个类比帮大家建立感觉。

你可以把大模型（GPT、DeepSeek、通义千问）想象成一台发动机。发动机马力很大，但它只是一个零件，不会自己跑。

而 LangChain 就是那辆车架：它把方向盘、仪表盘、变速器都给你装好了，你要做的，只是把发动机放进去。

用官方的话说，LangChain 是一个大模型应用开发框架。它帮你把 AI 应用里那些"每次都差不多"的活——管理提示词、调用模型、解析结果、保存记忆、接工具、查文档——全部打包成标准零件。

这些零件，可以用一根"管道"串起来。

三个核心概念，一分钟搞懂
#

LangChain 的零件很多，但新手只需要记住三个：

① 模型（Model）：负责"思考"。比如 ChatOpenAI，我们通过它调用 GPT、DeepSeek 等大模型。

② 提示词模板（Prompt Template）：负责"组织提问方式"。你只要挖好空，把参数填进去，它自动生成规范的问题。

③ 输出解析器（Output Parser）：负责"整理回答"。把模型返回的复杂结果，变成干净的纯文本或 JSON。

这三个零件，用管道符 | 串起来，就成了一条"链"（Chain）：

prompt | llm | parser

是不是很像 Linux 的管道命令？这就是 LangChain 的核心思想——一切皆可串联。

理论到此为止，下面直接上代码。

实战：20 行代码搭建一个 AI 问答助手
#

我们做一个很实用的例子：AI 问答助手。你告诉它一个角色，再抛给它一个问题，它用这个角色的口吻来回答。

比如让它扮演"健身教练"，回答"连续加班很疲惫怎么恢复"，或者扮演"语文老师"，给孩子讲一道阅读理解题。

第 1 步：安装
#

打开终端，运行：

pip install langchain langchain-openai python-dotenv

装三个包就够：langchain 是核心框架，langchain-openai 负责对接大模型，python-dotenv 用来读取密钥配置。

第 2 步：配置密钥
#

在项目文件夹里新建一个文件，命名为 .env，填入你的 API 密钥：

OPENAI_API_KEY=sk-你的密钥

💡 国内用户看这里：如果没有 OpenAI 的 key，可以用 DeepSeek 等国产模型，也是 OpenAI 兼容的接口，代码几乎不用改。方式见文末。

第 3 步：写代码
#

新建 main.py，把下面这段代码复制进去：

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

# 加载 .env 里的密钥
load_dotenv()

# ① 模型：负责"思考"
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

# ② 提示词模板：负责"组织提问方式"，{role} 和 {question} 是留的空
prompt = ChatPromptTemplate.from_template(
    "你是一位{role}。请用简洁、通俗的语言回答下面的问题，控制在100字以内。\n\n问题：{question}"
)

# ③ 输出解析器：负责"把回答整理成干净的文本"
parser = StrOutputParser()

# ④ 用 | 管道把三个组件串成一条"链"
chain = prompt | llm | parser

# ⑤ 运行这条链
result = chain.invoke({
    "role": "资深健身教练",
    "question": "我连续加班一个月，特别疲惫，在家如何快速恢复精力？"
})
print(result)

对，核心逻辑就这 20 行左右。

第 4 步：运行
#

python main.py

正常情况下，你会看到类似这样的输出：

先别硬扛！建议这样调整：①每天保证7小时睡眠，哪怕分段睡；②工作间隙做5分钟深呼吸或拉伸；③睡前远离手机，喝点温水；④周末安排一次30分钟快走，不要剧烈运动。恢复是马拉松，不是冲刺。

换个角色、换个问题，再跑一次：

result = chain.invoke({
    "role": "小学语文老师",
    "question": "怎么帮三年级孩子提高阅读理解能力？"
})

你会发现，代码一行都不用改，只是换了个参数，AI 就换了个"人设"。

这就是模板 + 链的威力。

如果不用 LangChain，代码会变成什么样？
#

没有对比，你感受不到它的价值。

同样一个功能，不用 LangChain 大概要写这么多：手动拼 prompt、发 HTTP 请求、解析 JSON、处理各种异常……

每个步骤都要自己写，代码量翻两三倍不说，一旦换模型、加参数，又得重写。

而用 LangChain，核心就是一行管道：

chain = prompt | llm | parser

逻辑清清楚楚，改起来也简单——想换模型，改一行；想加记忆，链子上再挂一个零件。

这就是框架存在的意义：把重复的活替你干了，让你只关注业务本身。

从一个助手，到真正的 AI 应用
#

上面的例子只是起点。LangChain 真正强大的地方，是它丰富的零件库。当你的需求变复杂时，只要往链子上"挂"更多零件：

加记忆（Memory）：让 AI 记得你们之前聊过什么，多轮对话不再是"失忆患者"。

加工具（Tools）：让 AI 会查天气、查时间、算数、调用你自己的函数，从一个"聊天机器"变成能干活的"智能体"。

加检索（RAG）：把你的文档、PDF、数据库喂给 AI，让它基于你的资料回答，做"专属知识库问答"。

加编排（LangGraph）：当流程太复杂时，用 LangGraph 把步骤组织成一张图，让 AI 自己决定走哪条分支。

进阶路径也很清晰：先跑通基础链 → 做多轮对话 → 接工具 → 做文档问答。每走一步，能力都上一个台阶。

为什么推荐它？
#

最后说说，为什么是 LangChain，而不是自己造轮子。

第一，模型随便换。 接口统一，今天 GPT、明天 DeepSeek、后天通义千问，改一行配置就行，业务代码零改动。在模型快速迭代的当下，这一点太重要了。

第二，组件可复用。 prompt、解析器、记忆、检索，都是标准零件，写一次到处用，还能跟社区分享。

第三，生态成熟。 官方有配套的 LangSmith（调试追踪）、LangGraph（流程编排）、LangServe（快速部署），从开发到上线，一条龙。

当然，它也有"缺点"。 版本更新很快，名词概念多，网上很多老教程还停留在旧 API。建议学的时候直接看官方最新文档，代码以能跑通为准。

新手最容易踩的 3 个坑
#

第一次玩 LangChain，这几个坑几乎人人都会遇到，提前帮你排掉：

① 密钥别写死在代码里。 用 .env 文件加 load_dotenv() 加载，既安全，换环境也方便。请一定记住：密钥千万不要提交到 GitHub，不然会被爬虫扫走。

② 版本不同，API 会变。 LangChain 迭代很快，网上很多老教程还在用已经废弃的 LLMChain 写法。你照着抄却报错，大概率不是你的问题，而是版本变了。最靠谱的方法是直接查官方文档；也可以锁定版本安装，比如 pip install langchain==0.3.*，避免某天升级把项目搞坏。

③ 提示词比模型更能决定效果。 同一个模型，你把角色、格式要求写清楚，输出质量立刻不一样。模板里的 {role}、{question} 就是两只调节旋钮，多试几次、多调几轮，往往比花钱换更大的模型划算得多。

总结
#

回顾一下今天的内容：

LangChain 是大模型应用开发框架，帮我们省去重复的"搬砖"代码。
核心就三个零件：模型 + 提示词模板 + 输出解析器，用 | 管道串成链。
一个 20 行的 chain = prompt | llm | parser，就能搭出你的第一个 AI 应用。

如果你能跑通今天这个例子，恭喜你，已经迈出大模型应用开发的第一步了。

下一步，试着给它加上记忆，做一个真正能陪你聊天的 AI 助手吧。要是想继续看，我下一篇就写"LangChain 记忆功能实战"。

有任何问题，欢迎在评论区留言交流。

💡 补充：国内用户可以使用 DeepSeek，只需把第 3 步中的 llm 换成：
llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
)
然后在 .env 里填入 DEEPSEEK_API_KEY=你的密钥 即可。

官方文档：https://python.langchain.com/

这里还没有任何文章可以列出。

LangChain #

你是不是也写过这样的代码？ #

LangChain 是什么？ #

三个核心概念，一分钟搞懂 #

实战：20 行代码搭建一个 AI 问答助手 #

第 1 步：安装 #

第 2 步：配置密钥 #

第 3 步：写代码 #

第 4 步：运行 #

如果不用 LangChain，代码会变成什么样？ #

从一个助手，到真正的 AI 应用 #

为什么推荐它？ #

新手最容易踩的 3 个坑 #

总结 #