从零理解 LangChain：让大模型“动”起来的开发框（下）

大家好！最近很多小伙伴问我：“大语言模型（LLM）很厉害，但怎么把它做成能实际用的工具呢？” 今天就来给大家介绍一个超好用的框架 ——LangChain。它就像 “大语言模型的乐高积木”，能帮我们轻松把 LLM 和各种工具、数据拼起来，做成各种实用应用。哪怕你是编程小白，跟着这篇文章一步步做，也能快速上手！

一、先搞懂：LangChain 到底是什么？

简单说，LangChain 是一个帮我们 “操控” 大语言模型的框架。

平时我们用 ChatGPT，只能打字问问题，但如果想让模型做更复杂的事（比如：先分析用户评论，再翻译成英文，最后生成回复），就需要一步步 “串联” 起来。LangChain 的核心就是 “链（Chains）”—— 把大语言模型（LLM）和提示词（Prompt）、工具等组合起来，让它们按顺序完成任务。

打个比方：如果 LLM 是 “厨师”，提示词是 “菜谱”，那 “链” 就是 “做菜的步骤”—— 先切菜、再翻炒、最后装盘，一步步完成一道菜。

二、基础中的基础：大语言模型链（LLMChain）

LLMChain 是最简单的链，就像 “单步骤做菜”：把 “提示词模板” 和 “大语言模型” 绑在一起，输入内容就能直接出结果。

2.1 手把手实操：用 LLMChain 给产品起公司名

比如我们有个产品叫 “大号床单套装”，想让模型帮我们起个合适的公司名，步骤如下：

第一步：准备工作（导入工具）

首先要导入 LangChain 的相关工具，就像做菜前先把锅碗瓢盆摆出来：

import warnings
warnings.filterwarnings('ignore')  # 忽略一些不重要的警告

# 导入大语言模型、提示模板、LLMChain
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.chains import LLMChain

第二步：初始化大语言模型

选一个大语言模型（这里用 OpenAI 的模型），temperature参数控制生成结果的随机性（0.0 表示结果固定，1.0 表示更灵活）：

llm = ChatOpenAI(temperature=0.0)  # 用OpenAI模型，固定结果

第三步：写提示词模板

告诉模型要做什么，用{product}表示 “要替换的产品名”（类似填空题）：

prompt = ChatPromptTemplate.from_template(
    "描述制造{product}的一个公司的最佳名称是什么？"
)

第四步：构建 LLMChain

把模型和提示词模板 “绑” 在一起，形成一条链：

chain = LLMChain(llm=llm, prompt=prompt)  # 模型+提示词=链

第五步：运行链，看结果

输入产品名，让链工作：

product = "大号床单套装"
result = chain.run(product)  # 运行链
print(result)

输出结果（类似）：

"豪华床纺"

是不是很简单？LLMChain 的核心就是 “输入→提示词格式化→模型输出”，一步到位。

三、多步骤任务：顺序链（SequentialChains）

如果任务需要多步完成（比如 “先起名，再写公司描述”），就需要顺序链—— 让多个 LLMChain 按顺序执行，上一步的输出作为下一步的输入。

3.1 简单顺序链（SimpleSequentialChain）：单输入单输出

适合 “一步接一步” 的简单任务，比如：先给产品起公司名，再根据公司名写描述。