在人工智能的浪潮中，大型语言模型（LLM）逐渐成为推动科技进步的重要力量。而LangChain，作为一个专为LLM应用开发设计的框架，凭借其模块化和高效性，受到了广泛关注。本文将深入浅出地讲解LangChain中的四个基础组件：PromptTemplate、LLMs、Chain和OutputParser，帮助入门者快速上手。

一、PromptTemplate

PromptTemplate是LangChain中用于生成提示（Prompt）的可重复方式。它包含一个文本字符串模板，可以接受来自最终用户的一组参数并生成提示。这极大地简化了针对不同情况同类型问题的Prompt设计。

示例1：使用PromptTemplate

from langchain_core.prompts import PromptTemplate  template = "您是新公司的命名顾问。生产{product}的公司起什么好名字?"  
prompt_template = PromptTemplate.from_template(template)  
prompt = prompt_template.format(product="彩色袜子")  
print(prompt)  # 输出: 您是新公司的命名顾问。一家生产彩色袜子的公司起什么名字好呢?  

示例2：使用FewShotPromptTemplate

FewShotPromptTemplate是在PromptTemplate基础上，增加了few-shot examples，帮助语言模型生成更好的响应。

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate  # 创建few-shot examples  
examples = [  {"word": "happy", "antonym": "sad"},  {"word": "tall", "antonym": "short"},  
]  # 定义模板  
example_formatter_template = "Word: {word} Antonym: {antonym}\n"  
example_prompt = PromptTemplate(input_variables=["word", "antonym"], template=example_formatter_template)  # 创建FewShotPromptTemplate  
few_shot_prompt_template = FewShotPromptTemplate(prompt_template=example_prompt, examples=examples)  
formatted_prompt = few_shot_prompt_template.format(word="big", antonym="small")  
print(formatted_prompt)  
# 输出:  
# Word: happy Antonym: sad  
# Word: tall Antonym: short  
# Word: big Antonym: small  

二、LLMs

LLMs（Large Language Models）是LangChain的核心组件之一。LangChain提供了一个标准接口来调用不同的LLM，例如OpenAI的GPT系列。

示例：LLM

from langchain.chat_models import ChatOpenAI  # 初始化ChatOpenAI模型  
model = ChatOpenAI(model="gpt-3.5-turbo", openai_api_key="你的API_KEY", openai_api_base="你的API_BASE")  # 发送请求  
response = model.invoke([{"content": "Translate this sentence from English to French: I love programming."}])  
print(response)  

更完整的例子

from langchain_community.chat_models import ChatOpenAI  
from langchain.prompts import PromptTemplate  
from langchain.chains import LLMChain  
import os  # 设置OpenAI API密钥  
os.environ["OPENAI_API_KEY"] = 'your_openai_api_key'  # 创建PromptTemplate  
prompt_template = PromptTemplate.from_template("请写一篇关于{topic}的文章")  # 创建LLMChain，并指定使用的LLM和PromptTemplate  
llm = ChatOpenAI(model_name='gpt-3.5-turbo', temperature=0.7)  
chain = LLMChain(llm=llm, prompt=prompt_template)  # 使用LLMChain生成文章  
generated_text = chain.run(input_data={"topic": "人工智能的未来"})  
print(generated_text)  

三、Chain

Chain在LangChain中代表一系列按顺序执行的任务或操作。这些任务通常涉及与语言模型的交互，可以看作处理输入、执行一系列决策和操作，最终产生输出的流程。。Chain可以嵌套和组合，以构建复杂的流程

示例1：简单顺序链（SimpleSequentialChain）

简单顺序链适用于顺序执行的任务，即上一条链的输出自动作为下一条链的输入。

from langchain.chains import SimpleSequentialChain, LLMChain  
from langchain.prompts import ChatPromptTemplate  
from langchain_community.chat_models import ChatOpenAI  # 创建两个LLMChain  
prompt_1 = ChatPromptTemplate.from_template("请描述一个{product}的特点")  
chain_1 = LLMChain(llm=ChatOpenAI(model_name='gpt-3.5-turbo'), prompt=prompt_1)  prompt_2 = ChatPromptTemplate.from_template("根据上述特点，为{product}写一个广告词")  
chain_2 = LLMChain(llm=ChatOpenAI(model_name='gpt-3.5-turbo'), prompt=prompt_2)  # 创建SimpleSequentialChain  
chain_ss = SimpleSequentialChain(chains=[chain_1, chain_2], verbose=True)  # 使用SimpleSequentialChain  
output = chain_ss.run(input_data={"product": "智能手机"})  
print(output)  

示例2：一般顺序链（SequentialChain）

from langchain.chains import SequentialChain, LLMChain  
from langchain.prompts import ChatPromptTemplate  
from langchain_community.chat_models import ChatOpenAI  # 创建多个LLMChain，并指定输出变量名  
prompt_1 = ChatPromptTemplate.from_template("请将以下评论翻译成中文：\n\n{Review}")  
chain_1 = LLMChain(llm=ChatOpenAI(model_name='gpt-3.5-turbo'), prompt=prompt_1, output_key='中文_评论')  prompt_2 = ChatPromptTemplate.from_template("请用一句话总结这篇中文评论：\n\n{中文_评论}")  
chain_2 = LLMChain(llm=ChatOpenAI(model_name='gpt-3.5-turbo'), prompt=prompt_2, output_key='中文_总结')  # 创建SequentialChain，并指定输入和输出变量  
chain_seq = SequentialChain(chains=[chain_1, chain_2], input_variables=['Review'], output_variables=['中文_评论', '中文_总结'])  # 使用SequentialChain  
review = "This is a great product!"  
output = chain_seq.run(input_data={"Review": review})  
print(output)  

一般顺序链用于处理稍微复杂一些的情况，即可能有多个输入及输出。

示例3：使用|构建Chain

LangChain提供了多种方式将Chain组合起来，其中使用管道符|是一种既方便书写又表达力强劲的方式。

from langchain_openai import ChatOpenAI  
from langchain_core.output_parsers import StrOutputParser  
from langchain_core.prompts import ChatPromptTemplate  model = ChatOpenAI(model="gpt-4o-mini")  
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")  
chain = prompt | model | StrOutputParser()  
chain.invoke({"topic": "bears"})  

四、OutputParser

在LangChain中，OutputParser用于解析LLM或其他组件生成的输出。OutputParser可以根据应用需求进行自定义，以提取有用的信息或进行进一步的处理。

示例1：使用CommaSeparatedListOutputParser

from langchain.output_parsers import CommaSeparatedListOutputParser  
from langchain.prompts import ChatPromptTemplate  
from langchain_openai import ChatOpenAI  # 定义Prompt  
prompt = ChatPromptTemplate.from_messages([  ("system", "{parser_instructions}"),  ("human", "列出{cityName}的{viewPointNum}个著名景点。")  
])  # 初始化OutputParser  
output_parser = CommaSeparatedListOutputParser()  
parser_instructions = output_parser.get_format_instructions()  # 生成最终Prompt并执行  
final_prompt = prompt.invoke({"cityName": "南京", "viewPointNum": 3, "parser_instructions": parser_instructions})  
model = ChatOpenAI(model="gpt-3.5-turbo", openai_api_key="你的API_KEY", openai_api_base="你的API_BASE")  
response = model.invoke(final_prompt)  
parsed_output = output_parser.invoke(response)  
print(parsed_output)  # 输出格式化的景点列表  

示例2：使用PydanticOutputParser

from langchain.output_parsers import PydanticOutputParser  
from langchain.prompts import ChatPromptTemplate  
from langchain_openai import ChatOpenAI  
from pydantic import BaseModel, Field  # 定义数据结构类  
class BookInfo(BaseModel):  book_name: str = Field(description="书籍的名字")  author_name: str = Field(description="书籍的作者")  genres: list = Field(description="书籍的体裁")  # 初始化OutputParser  
output_parser = PydanticOutputParser(pydantic_object=BookInfo)  
parser_instructions = output_parser.get_format_instructions()  # 定义Prompt并执行  
prompt = ChatPromptTemplate.from_messages([  ("system", "{parser_instructions} 你输出的结果请使用中文。"),  ("human", "请你帮我从书籍的概述中,提取书名、作者,以及书籍的体裁。书籍概述如下：#{book_introduction}#")  
])  
book_introduction = "《朝花夕拾》原名《旧事重提》..."  # 书籍概述内容  
final_prompt = prompt.invoke({"book_introduction": book_introduction, "parser_instructions": parser_instructions})  
model = ChatOpenAI(model="gpt-3.5-turbo", openai_api_key="你的API_KEY", openai_api_base="你的API_BASE")  
response = model.invoke(final_prompt)  
parsed_output = output_parser.invoke(response)  
print(parsed_output)  # 输出格式化的书籍信息  

---

五、结语

LangChain是一个强大的框架，它通过将LLM、Prompt、Chain和OutputParser等组件结合在一起，为开发者提供了一个灵活、可扩展的平台来构建和管理LLM应用。

从Prompt的设计到LLM的选择，再到Chain的构建和OutputParser的使用，LangChain的每个组件都扮演着重要的角色。通过学习和掌握这些概念，开发者可以更加高效地利用LangChain来构建复杂、智能的应用。

希望这篇Blog能帮助大家更好地理解和使用LangChain框架。如果你对LangChain或大型语言有任何模型疑问或想法，欢迎在评论区留言与我交流！

在大模型时代，我们如何有效的去学习大模型？

现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF书籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型各大场景实战案例

结语

【一一AGI大模型学习 所有资源获取处（无偿领取）一一】
所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈