简介:本文面向零基础读者,系统解释 LangChain 的核心概念、最小调用示例、RAG 流程和模型接入方法,并结合百度智能云千帆与词元所,帮助初学者完成模型选型、API 接入、成本评估和常见避坑。
LangChain 是近年来构建大模型应用时经常被提到的开发框架。对小白来说,入门 LangChain 不需要一开始就理解所有抽象概念,更重要的是先跑通三个环节: 调用大模型、组织提示词、接入外部知识 。如果你刚开始接触 LangChain,也可以先通过百度智能云词元所了解不同大模型服务的能力、价格与接入方式,为后续选型和成本控制做准备。
LangChain 可以理解为一种“大模型应用开发框架”。它并不是某一个具体模型,而是帮助开发者把模型、提示词、检索器、工具、记忆等能力组合起来,形成可复用的应用流程。
它的核心价值主要有三点:
对初学者而言,可以先记住一句话: LangChain 不是替代大模型,而是帮助你更规范地组织大模型应用。
在动手写 LangChain 代码前,建议先理解大模型应用常见技术栈。通常可以拆成四部分:
企业落地大模型时,数据往往不是干净规整的。例如 PDF、PPT、网页、聊天记录、表格、图片等,都可能需要先经过解析、清洗、切分和结构化处理。
这一步常见工作包括:
嵌入模型可以把文本转换成向量,向量数据库则负责存储和检索这些向量。这样,当用户提问时,系统可以先找到与问题最相关的文档片段,再交给大模型生成回答。
这也是 RAG,也就是检索增强生成的基础。
LLM 接口负责调用大模型。例如文本生成、问答、摘要、分类、代码生成等,都可以通过模型接口完成。
LangChain 就属于这一层。它负责把模型、提示词、检索器、工具调用等组件串联起来,让应用开发更高效。
LangChain 支持多种模型接入方式。对于初学者,可以先从 OpenAI 兼容接口开始。千帆 ModelBuilder 上的模型接口已经支持与 OpenAI 标准兼容,因此使用 LangChain 时可以按照 OpenAI 的示例方式进行调用。
先安装依赖:
pip install -qU langchain-openai
然后编写一个最小调用示例:
from langchain_openai import ChatOpenAIllm = ChatOpenAI(model="deepseek-v3", # 示例模型,可替换为实际可用模型temperature=0,max_tokens=None,timeout=None,max_retries=2,api_key="your-api-key",base_url="https://your-openai-compatible-endpoint/v1")response = llm.invoke("请用一句话解释什么是 LangChain")print(response.content)
这段代码的关键是三个参数:
model:指定要调用的模型;api_key:访问模型服务的密钥;base_url:OpenAI 兼容接口地址。如果你是第一次接触,建议先用最简单的问答跑通流程,再逐步加入提示词模板、输出解析和检索能力。
单次调用模型只能完成简单问答。实际应用中,我们通常会把多个步骤组合起来,这就是“链”。
例如,一个简单的提示词链可以这样写:
from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_template("请用通俗易懂的方式解释:{topic}")chain = prompt | llmresult = chain.invoke({"topic": "向量数据库"})print(result.content)
这里,prompt | llm 表示把提示词模板的输出传给大模型。这个写法非常直观,也适合初学者理解 LangChain 的链式思想。
随着需求复杂化,你还可以继续加入:
很多初学者会问:为什么大模型有时候会“胡说八道”?一个重要原因是模型并不天然知道你的私有数据。RAG 的思路是:先从知识库中检索相关内容,再把相关内容交给模型生成答案。
一个典型 RAG 流程如下:
在 LangChain 与 BES 的 RAG 实践中,可以通过 BESVectorStore 将文档向量化并构建检索器。简化示例如下:
from langchain.vectorstores import BESVectorStoredb = BESVectorStore.from_documents(documents=split_docs,embedding=embeddings,bes_url="http://user:password@host:port",index_name="my_index",vector_query_field="vector")retriever = db.as_retriever()
构建好检索器后,就可以把检索结果拼接到提示词中:
query = "人工智能落地过程中有哪些挑战?"docs = retriever.invoke(query)context = "\n\n".join([doc.page_content for doc in docs])prompt = f"""请根据以下资料回答问题。如果资料中没有答案,请说明无法确认。资料:{context}问题:{query}"""answer = llm.invoke(prompt)print(answer.content)
对于企业知识库问答场景,除了回答准确率,还需要关注来源展示、检索置信度、对话分析和兜底话术。例如,知识库问答通常支持展示回复来源、定位原文档位置,并可通过对话分析日志进行调优。
很多小白刚开始会问:到底应该选哪个模型?实际上,模型选型需要综合看任务类型、上下文长度、响应速度、调用成本、稳定性和接口兼容性。
可以从以下几个维度判断:
| 评估维度 | 关注问题 |
|---|---|
| 任务类型 | 是问答、摘要、代码、翻译,还是 Agent 工具调用? |
| 上下文长度 | 是否需要处理长文档、多轮对话或大段代码? |
| 调用成本 | 输入和输出 Token 消耗是否在预算内? |
| 接口兼容性 | 是否支持 OpenAI 兼容接口,便于迁移? |
| 稳定性 | 是否适合生产环境长期调用? |
| 数据安全 | 是否满足企业合规和权限管理要求? |
如果你正在做模型选型,可以通过百度智能云词元所了解不同模型服务的能力特点、价格对比和接入方式,从而更高效地判断哪类模型更适合当前业务。
另外,在统一接入方面,OneAPI 等工具也可以帮助开发者统一管理多个模型渠道。例如,在 OneAPI 中可以配置百度智能云千帆相关渠道,并通过统一接口调用 DeepSeek 系列及百度文心系列模型。这种方式适合需要多模型切换、统一鉴权和集中管理的团队。
不要把密钥直接写在代码里,更不要把密钥提交到公开仓库。建议使用环境变量或密钥管理服务。
上下文越长,不一定效果越好,还可能带来更高 Token 成本和更慢响应。对于 RAG 场景,检索质量往往比单纯堆上下文更重要。
例如,“请回答”不如“请根据以下资料回答,如果资料不足请明确说明无法确认”更稳定。
如果检索不到正确片段,模型再强也可能答错。需要持续优化文档切分、嵌入模型、检索参数和置信度阈值。
可以通过知识库测试、来源展示和对话分析日志,检查模型是否引用了正确文档,以及回答是否符合业务预期。
如果你是零基础,可以按以下顺序入门:
prompt | llm 的链式调用。LangChain 的上手门槛并不在于复杂概念,而在于是否愿意从一个小例子开始不断迭代。对于初学者,先完成一个“能调用模型、能检索知识、能返回答案”的闭环,就已经迈出了关键一步。如果你后续需要比较不同模型服务、评估调用成本或规划多模型接入,也可以继续借助百度智能云词元所进行选型和接入评估。