Langchain学习教程一：Hello World详细实战演练与代码实例解析

生成式AI的热度究竟有多高，已经无需赘述。对于广大开发者而言，一个现实而紧迫的问题摆在眼前：如何才能快速、高效地开发出一款基于大语言模型（LLM）的应用？这几乎成了许多初学者入局时的刚需。我自己也正在钻研这一领域，选择LangChain作为入门框架，理由其实很简单——市面上的主流教程，十有八九都在围绕它展开。

当然，这只是一个玩笑。真实的原因在于，当前大模型层出不穷：国外的Gemini、Grok、Claude、OpenAI，国内的Qwen、DeepSeek、GLM-4等。如果你想构建一个具备多模型接入、外部API调用、多轮对话记忆、以及多步骤推理链路的AI应用，手动实现会是什么局面？

不妨先看看，如果完全手工搭建，各个环节需要你亲力亲为的工作量：

而使用一个大语言模型框架，恰恰能够把上述重复造轮子的工作大量省去。这么一想，是不是觉得挺划算？

什么是 LangChain？

简单来说，LangChain是一个专门用于构建基于大语言模型应用的框架，其核心目标是帮助开发者更轻松地搭建出复杂且可组合的AI应用。

它提供的功能模块包括：对接多个LLM供应商（如OpenAI、Anthropic、Google等），支持Prompt模板、工具调用、记忆管理和上下文管理，内置文档问答、聊天机器人、多步推理等常见范式，同时与OpenAPI接口有良好的集成能力。

能用 LangChain 做什么？

借助它，我们可以快速开发出：文档问答系统（例如上传PDF后直接提问）、多轮对话机器人、智能摘要和文本处理工具、Web搜索增强问答，以及基于OpenAPI的工具集成插件。

LangChain目前提供了Python和JS两个官方SDK。就功能完备性、更新速度和社区支持而言，Python版本显然更胜一筹，因此本次学习也将选择Python版本。当前大版本是0.3.x，据说0.1到0.3之间每个大版本差异不小，这里我直接选用最新的0.3.x。

langchain 架构图

从LangChain官方的这张架构图中，可以解读出它的生态包含三层主结构，外加一个辅助平台。

主结构（三层）

1. Architecture（架构层）

这一层是开发者直接编写代码的地方，包含两个核心部分：LangChain——开源核心框架，提供Prompt构造、Chain、Memory、Tool调用等基础设施；LangGraph——基于状态机思想的图状Chain控制器，用于构建带分支和循环的复杂推理逻辑。

2. Components（组件层）

集成了大量模型、数据库、搜索引擎和工具插件，比如OpenAI、Anthropic、Wea viate、Qdrant、Pinecone、Google Search等。简单理解就是，LangChain已经帮你接好了各种LLM和工具，直接调用即可。

3. Deployment（部署层）

LangGraph Platform（商业版）是官方提供的托管平台，用于部署你构建的LangGraph工作流，并提供用户界面、运行管理、API网关等功能，非常适合企业级部署。

辅助工具平台：LangSmith

这是一个至关重要的调试与管理平台。它的功能包括：可视化查看每步Chain的执行情况（Debugging）、试验Prompt和模型效果（Playground）、Prompt版本控制与复用（Prompt Management）、数据标注与评估（Annotation）、单元测试和性能评估（Testing），以及应用上线后的实时监控（Monitoring）。可以把它理解成AI应用的“观察与分析仪表盘”，帮助构建、优化、迭代智能Agent。

OpenAI Compatible

所谓OpenAI兼容，指的是该平台或模型支持与OpenAI官方API相同的接口规范，可以直接用OpenAI的SDK调用，无需修改代码。

我这里使用的是硅基流动作为大模型提供方（主要是之前官方赠送的额度还没用完）。如果你有OpenAI官方的API Key，或者使用其他平台，这部分内容可以直接跳过。

• 访问官网：https://www.siliconflow.cn/
• 注册账户并登录
• 点击菜单栏【API 密钥】-【新建 API 密钥】
• 保存你的API Key，或将其设置为本地环境变量

需要注意的是，硅基流动是OpenAI接口兼容的，所以可以直接配合OpenAI模块来使用。

Hello World

先来写一个最简单的调用示例（虚拟环境配置这里略过，可以自行查阅venv或uv的使用方法）。

# 安装langchain_openai
pip install langchain_openai

然后创建一个demo.py文件：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="Qwen/Qwen3-32B",
    openai_api_key="your_api_key",
    base_url="https://api.siliconflow.cn/v1",
    temperature=0
)
# 调用模型并生成回答
resp = llm.invoke("你好")
print(resp)

运行之后，你会看到AI返回的内容：

content='\n\n你好！有什么我可以帮你的吗？' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 156, 'prompt_tokens': 9, 'total_tokens': 165, 'completion_tokens_details': {'accepted_prediction_tokens': None, 'audio_tokens': None, 'reasoning_tokens': 147, 'rejected_prediction_tokens': None}, 'prompt_tokens_details': None}, 'model_name': 'Qwen/Qwen3-32B', 'system_fingerprint': '', 'id': '0197d0d93b8f37a5bc86740c3f1474d2', 'service_tier': None, 'finish_reason': 'stop', 'logprobs': None} id='run--41d63779-a82a-4e2d-83a7-557a7f87169b-0' usage_metadata={'input_tokens': 9, 'output_tokens': 156, 'total_tokens': 165, 'input_token_details': {}, 'output_token_details': {'reasoning': 147}}

可以看到，response里包含了大量信息，比如模型生成的内容、token用量、模型标识、运行ID、完成状态等。如果只想打印大模型返回的字符串，直接用print(resp.content)即可。

流式调用（Streaming）

上面的示例中，模型的返回内容是一次性给出的，而非流式输出。实际上，LangChain也支持流式输出——一边生成，一边展示。只需要做如下改造：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="Qwen/Qwen3-32B",
    openai_api_key="your_api_key",
    base_url="https://api.siliconflow.cn/v1",
    temperature=0
)

# 流式调用模型并生成回答
for chunk in llm.stream("你好"):
    print(chunk.content, end="", flush=True)

在控制台执行这段代码，你就能看到内容像打字机一样逐字蹦出来。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Langchain学习教程一：Hello World详细实战演练与代码实例解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题