LangChain
LangChain Python 教学案例
给学生上课的 5 个演示。
- LangChain
- 教学
一份课堂演示用的简短材料:5 个案例,从最简单的对话到迷你知识库问答。每个案例都能独立运行,配讲解要点。完整文档见 README。
课前准备
一次性安装依赖,配置 API Key:
pip install "langchain>=1.0,<2.0" "langchain-openai>=1.0,<2.0" python-dotenv
pip install langgraph langchain-community langchain-text-splitters
项目根目录创建 .env 文件,写入你的 Key。OpenAI 官方 Key 写:
OPENAI_API_KEY=sk-xxx
用 GLM 等 OpenAI 兼容服务(DeepSeek、Kimi 同理),Key 换成对应服务的(如 GLM_API_KEY=xxx),并且后文的 ChatOpenAI() 要换成带三个参数的构造。只换 Key 不换地址,请求会一直卡在建立连接上:
import os # 读取环境变量
from langchain_openai import ChatOpenAI # OpenAI 聊天模型
model = ChatOpenAI(
base_url="https://open.bigmodel.cn/api/paas/v4", # 智谱的接口地址
api_key=os.environ["GLM_API_KEY"],
model="glm-4-flash", # 模型名以服务方文档为准
)
完整说明见配置。
案例 1:第一次对话
最少的代码,先让学生看到「调用大模型」就是这么一件事:
import os # 读取环境变量
from dotenv import load_dotenv # 从 .env 读环境变量
from langchain_openai import ChatOpenAI # OpenAI 聊天模型
load_dotenv()
model = ChatOpenAI(
base_url=os.environ["GLM_BASE_URL"],
api_key=os.environ["GLM_API_KEY"],
model=os.environ["GLM_MODEL_ID"],
)
result = model.invoke("用一句话解释什么是递归")
print(result.content)
示例输出:
递归是函数在自己的定义里调用自己,把大问题不断拆成同样形式的小问题。
讲解要点:
invoke进去一个字符串,出来一个AIMessage对象,文本在.content里。- 追问 token 与费用:返回对象里
result.usage_metadata记录了这次调用花了多少 token。 - 把问题换成学生感兴趣的任何话题,现场改、现场跑。
案例 2:翻译机器人,第一条链
引入 LangChain 最核心的概念「链」(chain):模板、模型、解析器三段拼接:
import os # 读取环境变量
from dotenv import load_dotenv # 从 .env 读环境变量
from langchain_core.output_parsers import StrOutputParser # 提取纯文本
from langchain_core.prompts import ChatPromptTemplate # 带角色的消息模板
from langchain_openai import ChatOpenAI # OpenAI 聊天模型
load_dotenv()
llm = ChatOpenAI(
base_url=os.environ["GLM_BASE_URL"],
api_key=os.environ["GLM_API_KEY"],
model=os.environ["GLM_MODEL_ID"],
)
prompt = ChatPromptTemplate.from_messages([
{"role": "system", "content": "你是一个翻译员,把用户的话翻译成{target_lang},只输出译文。"},
{"role": "human", "content": "{text}"},
])
chain = prompt.pipe(llm).pipe(StrOutputParser())
print(chain.invoke({"target_lang": "日语", "text": "明天会更好"}))
示例输出:
明日はきっと良くなる
讲解要点:
pipe像水管:上游的输出流给下游。这行代码读作「模板 → 模型 → 提取文本」。{target_lang}和{text}是变量,同一个模板能反复复用,这是模板比 f-string 拼字符串好在哪。StrOutputParser让返回值直接是字符串,不用再取.content。- 让学生改
target_lang和 system 里的人设,观察输出变化。
案例 3:情感分析,让模型输出 Python 对象
模型默认输出一段话,程序需要的是能直接用的数据。用 pydantic 定义结构:
import os # 读取环境变量
from typing import Literal # 枚举类型注解
from dotenv import load_dotenv # 从 .env 读环境变量
from pydantic import BaseModel, Field # 数据模型与字段描述
from langchain_openai import ChatOpenAI # OpenAI 聊天模型
load_dotenv()
llm = ChatOpenAI(
base_url=os.environ["GLM_BASE_URL"],
api_key=os.environ["GLM_API_KEY"],
model=os.environ["GLM_MODEL_ID"],
)
class Sentiment(BaseModel):
emotion: Literal["pos", "neg", "neutral"] = Field(description="文本的情感倾向")
keyword: str = Field(description="最能体现情感的那个词")
structured_model = llm.with_structured_output(Sentiment)
print(structured_model.invoke("这家店的服务态度好到让我想哭"))
示例输出:
Sentiment(emotion='pos', keyword='好到让我想哭')
讲解要点:
- 返回值直接是
Sentiment对象,可以用.emotion、.keyword取字段,下游代码不用再解析字符串。 Literal["pos", "neg", "neutral"]是枚举约束:模型只能三选一,编不出第四种值。temperature=0:分类、提取这类任务要稳定,不要随机。- 现场把输入换成差评,看枚举值切换。
案例 4:有记忆的聊天 agent
前面的调用每次都是「失忆」的。给 agent 加上 checkpointer,它就记得住上下文:
from langchain_openai import ChatOpenAI # OpenAI 聊天模型
import os # 读取环境变量
from dotenv import load_dotenv # 从 .env 读环境变量
from langchain.agents import create_agent # 创建 agent
from langgraph.checkpoint.memory import InMemorySaver # 内存版记忆持久化
load_dotenv()
llm = ChatOpenAI(
base_url=os.environ["GLM_BASE_URL"],
api_key=os.environ["GLM_API_KEY"],
model=os.environ["GLM_MODEL_ID"],
)
agent = create_agent(
model=llm,
system_prompt="你是一个耐心的编程助教,用高中生能听懂的方式回答",
checkpointer=InMemorySaver(),
)
config = {"configurable": {"thread_id": "class-demo"}}
res1 = agent.invoke({"messages": [{"role": "user", "content": "我叫小明"}]}, config)
print(res1["messages"][-1].content)
res2 = agent.invoke({"messages": [{"role": "user", "content": "我叫什么名字?"}]}, config)
print(res2["messages"][-1].content)
示例输出:
你好,小明!有什么想问的吗?
你叫小明。
讲解要点:
- 两次
invoke是两次独立调用,模型本身没有记忆。能记住名字,靠的是checkpointer把对话历史存了下来。 thread_id是会话标识:现场把它换成"class-demo-2"再问名字,agent 立刻「失忆」。每个线程一份独立记忆。InMemorySaver存在内存里,程序重启就丢;生产环境换PostgresSaver,其他代码一行不改。- 输入只传本轮新消息,历史由框架自动拼接,不要手动把历史塞进去。
案例 5:迷你知识库问答(RAG)
让模型只回答「我们给它的资料」,而不是靠自己瞎编。准备一段课本里没有的虚构知识:
import os # 读取环境变量
from dotenv import load_dotenv # 从 .env 读环境变量
from langchain_community.document_loaders import TextLoader # 加载 txt 文件
from langchain_core.output_parsers import StrOutputParser # 提取纯文本
from langchain_core.prompts import ChatPromptTemplate # 带角色的消息模板
from langchain_core.vectorstores import InMemoryVectorStore # 内存向量库
from langchain_openai import ChatOpenAI, OpenAIEmbeddings # 聊天模型与向量化
from langchain_text_splitters import RecursiveCharacterTextSplitter # 递归文本切分器
load_dotenv()
embeddings = OpenAIEmbeddings(
base_url=os.environ["GLM_BASE_URL"],
api_key=os.environ["GLM_API_KEY"],
model=os.environ["EMBEDDING_ID"],
check_embedding_ctx_length=False, # 非 OpenAI 端点必须,见 11 章
)
text = """
蓝星大学成立于 2042 年,坐落在云浮市。它的吉祥物是机器猫头鹰,校训是「会提问就会学习」。
蓝星大学最有名的专业是提示词工程系,该系的必修课包括模型微调导论和检索增强生成。
蓝星大学的图书馆没有书,全部藏书以向量数据库的形式存储,检索速度全球第一。
"""
with open("campus.txt", "w", encoding="utf-8") as f:
f.write(text)
docs = TextLoader("campus.txt", encoding="utf-8").load()
split_docs = RecursiveCharacterTextSplitter(chunk_size=50, chunk_overlap=10).split_documents(docs)
vectorstore = InMemoryVectorStore(embeddings)
vectorstore.add_documents(split_docs)
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})
found = retriever.invoke("蓝星大学的图书馆有什么特点")
print([doc.page_content for doc in found])
示例输出:
['蓝星大学的图书馆没有书,全部藏书以向量数据库的形式存储,检索速度全球第一。']
再把检索结果塞进 prompt,让模型只依据资料回答:
from langchain_openai import ChatOpenAI # OpenAI 聊天模型
import os # 读取环境变量
from dotenv import load_dotenv # 从 .env 读环境变量
from langchain_core.documents import Document # 统一文档对象
from langchain_core.output_parsers import StrOutputParser # 提取纯文本
from langchain_core.prompts import ChatPromptTemplate # 带角色的消息模板
load_dotenv()
llm = ChatOpenAI(
base_url=os.environ["GLM_BASE_URL"],
api_key=os.environ["GLM_API_KEY"],
model=os.environ["GLM_MODEL_ID"],
)
# 上一块检索命中的结果
found = [
Document(page_content="蓝星大学的图书馆没有书,全部藏书以向量数据库的形式存储,检索速度全球第一。")
]
context = "\n".join(doc.page_content for doc in found)
prompt = ChatPromptTemplate.from_messages([
{"role": "system", "content": "仅依据下面的资料回答问题,资料里没有就回答「资料里没有」。\n资料:{context}"},
{"role": "human", "content": "{question}"},
])
chain = prompt.pipe(llm).pipe(StrOutputParser())
print(chain.invoke({"context": context, "question": "蓝星大学的图书馆有什么特点?"}))
示例输出:
蓝星大学的图书馆没有实体书,全部藏书以向量数据库的形式存储,检索速度全球第一。
讲解要点:
- 先演示「没有 RAG」:直接问模型蓝星大学,它会一本正经地编。这是幻觉,本案例要解决的问题。
- 三步流程:资料切块 → 每块转成向量存进向量库(embedding 让「意思相近的文字,向量也相近」)→ 提问时按相似度捞出最相关的两块。
- 防幻觉的关键在 system prompt 两句话:「仅依据资料回答」加上「没有就承认没有」。
k=2是每次捞几块。资料多、问题杂时,调大 k 或换更好的切分参数。InMemoryVectorStore每次运行都重新计算 embedding,会产生少量费用;真实项目把向量落盘复用(本地文件用 FAISS、独立服务用 Qdrant),见向量存储。
课堂演示顺序建议
按案例编号顺序讲:1 建立直觉,2 引出链,3 引出结构化输出,4 引出记忆,5 把前面的能力串成 RAG。案例 1 到 3 只用基础包;案例 4、5 需要课前装好 langgraph、langchain-community、langchain-text-splitters。案例 5 涉及 embedding 费用,建议先用小文本演示。