# langChain 快速入门

### 一、LangChain 表达式语言

在没有 LangChain 之前，你可能需要手动拼接字符串、调用 API、再手动解析返回的文本。LangChain 通过 **LCEL（LangChain 表达式语言）** 将这些步骤标准化。

一个基础的链通常由三个核心组件组成：

1. **PromptTemplate (提示词模板) 📝**：将用户的原始输入格式化为结构化的指令。
    
2. **Model (模型) 🤖**：大语言模型（LLM），负责逻辑推理。
    
3. **OutputParser (输出解析器) 🔍**：将模型返回的字符串清洗或转换成你需要的格式（如 JSON 或纯文本）。
    

在 LangChain 中，我们使用类似 Unix 管道符的 `|` 符号将它们串联起来：
`链 = 提示词 | 模型 | 解析器`


### 二、示例：构建“翻译助手” (LCEL 基础) 

我们将学习如何定义一个简单的模板，并利用 `|` 符号将它与模型连接，实现自动化的语言转换。

先从**翻译助手**的核心——**提示词模板 (PromptTemplate)** 开始。

在 LangChain 中，提示词模板就像是一个“填空题”。它不仅包含你对 AI 的指令，还预留了变量位置，方便我们重复使用。

### 1. 定义提示词模板 📝

我们要告诉 AI：“你是一个专业的翻译官，请将以下文本从 **{source_lang}** 翻译成 **{target_lang}**。”

在代码中，它看起来是这样的（以 Python 为例）：

Python

```
from langchain_core.prompts import ChatPromptTemplate

# 定义模板
system_template = "你是一个专业的翻译官，请将用户输入的文本从 {source_lang} 翻译成 {target_lang}。"
human_template = "{text}"

prompt_template = ChatPromptTemplate.from_messages([
    ("system", system_template),
    ("human", human_template),
])
```

这里我们使用了 `system`（系统消息，设定角色）和 `human`（用户消息，提供具体内容）。

---

### 2. 准备模型 (Model) 🤖

接下来我们需要一个“大脑”来执行翻译。在 LangChain 中，我们可以轻松切换不同的模型（如 OpenAI、Anthropic 或国产模型）。

Python

```
# 假设我们使用 ChatOpenAI（实际使用时需要配置 API Key）
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-3.5-turbo")
```

---

### 3. 使用 LCEL 串联 🔗

现在是见证奇迹的时刻！在 LCEL 中，我们使用管道符 `|` 将它们连接起来：

Python

```
# 这一行就是 LCEL 的精髓
chain = prompt_template | model
```

这个 `chain` 现在就像一个完整的“函数”。当我们调用它时，它会自动把输入填入模板，然后传给模型。


### 4. 运行你的第一个链 🚀

在 LangChain 中，我们使用 `.invoke()` 方法来触发这个链。我们将这三个参数放在一个字典（Dictionary）里传进去。

代码看起来是这样的：

Python

```
# 运行链
response = chain.invoke({
    "source_lang": "中文",
    "target_lang": "英文",
    "text": "你好，今天天气不错。"
})

print(response)
```

这时候你会发现，模型返回的是一个对象（通常是 `AIMessage`），里面包含了翻译后的文本，但也包含了一些元数据（比如 token 消耗量）。

### 5. 引入输出解析器 (Output Parser) 🔍

在大多数情况下，我们只想要翻译后的**纯字符串**。这时就需要用到 `StrOutputParser`。它可以把复杂的模型输出直接变成简洁的文本。

Python

```
from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()
```

现在，我们有了三个组件：

1. `prompt_template` (格式化输入)
    
2. `model` (处理逻辑)
    
3. `parser` (清理输出)


### 6. 完整 LangChain 的链

```
final_chain = prompt_template | model | parser
```

这行代码完美展示了 **LCEL (LangChain Expression Language)** 的简洁之美。

通过加上 `parser`，整个链的流转变得非常清晰：

1. **PromptTemplate**：把你的变量填入模板。
    
2. **Model**：接收格式化后的文本并生成回复。
    
3. **Parser**：从模型回复中提取出纯文本字符串。
    

现在，当你运行 `final_chain.invoke(...)` 时，你得到的不再是一个复杂的对象，而是一个直接可以使用的**翻译结果字符串**。

在没有 LangChain 之前，你可能需要手动拼接字符串、调用 API、再手动解析返回的文本。LangChain 通过 LCEL（LangChain 表达式语言） 将这些步骤标准化。

langChain 快速入门

人工智能

编程语言

开发工具

LangChain表达式语言(LCEL)简化大语言模型应用开发，通过管道符|串联PromptTemplate、Model和OutputParser三大核心组件。本文以翻译助手为例，详解如何用LCEL构建AI应用链，包括定义提示词模板、选择模型、添加输出解析器，最终实现文本自动翻译功能，展现LangChain标准化流程的优势。

Python

JSON

Unix

2026新春采购季

cslr

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

LangChain表达式语言(LCEL)简化大语言模型应用开发，通过管道符|串联PromptTemplate、Model和OutputParser三大核心组件。本文以翻译助手为例，详解如何用LCEL构建AI应用链，包括定义提示词模板、选择模型、添加输出解析器，最终实现文本自动翻译功能，展现LangChain标准化流程的...

langChain 快速入门-腾讯云开发者社区-腾讯云

langChain 快速入门

langChain 快速入门

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐