什么 langchain ?
LangChain是一个用于开发由大型语言模型（ LLMs ）支持的应用程序的框架。
从下面开始我们认知常用的 langchain 常用的生态库以及知识点。
资源库
langchain 有自己的生态，下面是 langchain 生态的一些常用的资源：
- langchain /langchainjs
- langchain 集成
- langchain api
- langserve
- LangSmith
- langgraph/langgraph cloud
langchain 不仅支持 Python 生态，也支持 TypeScript/JavaScript 生态，意味着开发者可以使用 JS 生态开发 AI 应用。
目前的 langchain 的版本是:v0.3+。langchain 集成众多的 llm 和组件，使得 AI 开发变得容易。
langchain 经典架构图
LCEL
LCEL 全称 LangChain Expression Language，是一种创建任意自定义链的方法。
核心模块和安装
langchain 目前是 v0.3+ 版本，如果使用了旧版本，可能有内容发生了变化。这里还是以 Python 为例：
- langchain-core
- langchain-community
- langchain
- langgraph
- langserve
- langsmith
- langchain-cli
如果你是使用 pip 作为安装工具：
pip install langchain-core pip install langchain pip install langsmith pip install -U langgraph pip install "langserve[all]" pip install -U langchain-cli # 社区 pip install langchain_community # 大模型 pip install langchain-openai pip install -qU langchain-anthropiclangchain 组件
langchain 提供了很多的组件帮助开发方便的开发 LLM 应用：
| 术语 | 说明 |
|---|---|
| Prompt Template | 提示词模板，用于定义输入给模型的格式和内容。 |
| Example selectors | 示例选择器，用于从一组示例中选择适当的示例以供参考或生成响应。 |
| Chat models | 聊天模型，专门设计用于与用户进行对话和互动的语言模型。 |
| Messages | 消息，指用户与模型之间的交流内容。 |
| LLM | 大模型（旧语言模型），指大型预训练语言模型，通常用于生成和理解文本。 |
| Output parsers | 输出解释器，用于处理和格式化模型生成的输出，使其更易于使用。 |
| Document loaders | 文档加载器，用于将文档内容加载到系统中以便处理和分析。 |
| Text splitters | 文本分割器，用于将长文本分割成较小的部分，以便更好地处理和分析。 |
| Embedding models | 嵌入模型，将文本转换为向量表示，以便进行相似度计算和检索。 |
| Vector stores | 向量存储，保存向量数据的数据库或系统，以支持高效的检索和查询。 |
| Retrievers | 检索器，负责从存储中获取相关数据或信息的组件。 |
| Indexing | 索引，建立数据结构以支持快速搜索和检索。 |
| Tools | 工具，辅助完成特定任务的软件组件或功能。 |
| Multimodal | 多模型，涉及处理和分析多种数据类型（如文本、图像等）的能力。 |
| Agents | 代理（智能体），自动化执行特定任务的智能系统或程序。 |
| Callbacks | 回调，允许在特定事件发生时执行自定义代码的机制。 |
| 自定义组件 | 用户自定义的模块或功能，以扩展系统的功能或适应特定需求。 |
# PromptTemplate, ChatPromptTemplate from langchain_core.prompts import PromptTemplate， ChatPromptTemplate prompt_template = PromptTemplate.from_template("Tell me a joke about {topic}") prompt_template = ChatPromptTemplate([ ("system", "You are a helpful assistant"), ("user", "Tell me a joke about {topic}") ]) prompt_template.invoke({"topic": "cats"}) # example_selector class BaseExampleSelector(ABC): """Interface for selecting examples to include in prompts.""" @abstractmethod def select_examples(self, input_variables: Dict[str, str]) -> List[dict]: """Select which examples to use based on the inputs.""" @abstractmethod def add_example(self, example: Dict[str, str]) -> Any: """Add new example to store.""" prompt = FewShotPromptTemplate( example_selector=example_selector, # ... ) # chat model from langchain_openai import ChatOpenAI llm = ChatOpenAI(model="gpt-4o-mini") # message from langchain_core.messages import HumanMessage model.invoke([HumanMessage(content="Hello, how are you?")]) # llm from langchain_openai import OpenAI llm = OpenAI(model="gpt-3.5-turbo-instruct", n=2, best_of=2) # outparser str from langchain_core.output_parsers import StrOutputParser parser = StrOutputParser() # loader from langchain_community.document_loaders.csv_loader import CSVLoader from langchain_community.document_loaders import PyPDFLoader # langchain_text_splitters from langchain_text_splitters import CharacterTextSplitter text_splitter = CharacterTextSplitter.from_tiktoken_encoder( encoding_name="cl100k_base", chunk_size=100, chunk_overlap=0 ) texts = text_splitter.split_text(document) # embedding_models: OpenAIEmbeddings 和 HuggingFaceEmbeddings and ZhipuAIEmbeddings from langchain_openai import OpenAIEmbeddings from langchain_huggingface import HuggingFaceEmbeddings from langchain_community.embeddings import ZhipuAIEmbeddings # vectorstores from langchain_core.vectorstores import InMemoryVectorStore from langchain_community.vectorstores import FAISS from langchain_chroma import Chroma vectorstore = InMemoryVectorStore.from_texts( [txt_content], embedding=embeddings, ) vectorstore = FAISS.from_documents(texts, embeddings) vector_store = Chroma( collection_name="example_collection", embedding_function=embeddings, persist_directory="./chroma_langchain_db", # Where to save data locally, remove if not necessary ) # retriever invoke retriever = vectorstore.as_retriever() docs = retriever.invoke("what did the president say about ketanji brown jackson?") # index from langchain.indexes import SQLRecordManager, index # tools from langchain_core.tools import tool @tool def multiply(a: int, b: int) -> int: """Multiply two numbers.""" return a * b # agent from langchain.agents import AgentExecutor agent = ( { "input": lambda x: x["input"], "agent_scratchpad": lambda x: format_to_openai_tool_messages( x["intermediate_steps"] ), "chat_history": lambda x: x["chat_history"], } | prompt | llm_with_tools | OpenAIToolsAgentOutputParser() ) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) ## langgraph create_tool_calling_agent from langchain.agents import create_tool_calling_agent agent = create_tool_calling_agent(model, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools) ## langgraphcreate_react_agent from langgraph.prebuilt import create_react_agent langgraph_agent_executor = create_react_agent(model, tools) # callbacks from langchain_core.callbacks import BaseCallbackHandler callbacks = [LoggingHandler()] chain = prompt | llm chain.invoke({"number": "2"}, config={"callbacks": callbacks})大模型
在大模型应用中开发中，大模型直接用的是：
- chat 大模型
- embedding 大模型
常用的大模型和运行器
- OpenAI/AzureOpenAI/OpenAIEmbeddings
- Anthropic
- vertexai
- huggingface
- aws
- ollama
- ZhipuAI
- MistralAI
- Baidu Qianfan
- …
向量数据库
- Chroma
- FAISS
- InMemoryVectorStore
- Milvus
- PGVector
- Redis
- SQLiteVec
- …
运行环境
运行大模型，其实可以用不同的 python 运行环境
- 硬编码：使用编辑器硬编码
- jupyter notebook: python 代码能够分段，缓存数据，结构清晰， jupyter 推荐配合 vscode 使用，可以使用通用的编辑器。
- google 的Colabnotebooks， Colab 赠送不少的内存，对于小的应用基本够用了。如果没有使用过大概是这样的
一个简单的聊天
我们使用 zhipuAI，为什么？因为 zhipu AI 的 glm-4-flash 目前是免费调用。
如果还没有注册的新进入大模型应用开发的，可以考虑使用zhipu AI，质谱的支持自己的 sdk, 和 openAI 的方式以及 langchain 的 openAI 的方式调用大模型。
同时质朴也有 embeddings 模型速度可以，在初期学习已经够用了。
首先需要创建一个.env文件将质谱 AI 的 key 保存起来，方便访问。
OPENAI_API_KEY = your_zhupu_ai_keylangchain_openai 使用 ChatOpenAI 调用质谱 AI 的glm-4-flash大模型。同时我们需要传入openai_api_base地址。
import dotenv from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate key = dotenv.get_variable(".env", "OPENAI_API_KEY") # 不同的版本不一样 model = ChatOpenAI( temperature=0.95, model="glm-4-flash", openai_api_key=key, openai_api_base="https://open.bigmodel.cn/api/paas/v4/" ) # 消息 messages = [ SystemMessage(content="Translate the following from English into Italian"), HumanMessage(content="hi!"), ] # invoke 调用模型 model.invoke(messages) # 格式化输出 parser = StrOutputParser() result = model.invoke(messages) parser.invoke(result) # 使用 chain 链 chain = model | parser chain.invoke(messages)、 # 使用提示词 system_template = "Translate the following into {language}:" prompt_template = ChatPromptTemplate.from_messages( [("system", system_template), ("user", "{text}")] ) chain = prompt_template | model | parser chain.invoke({"language": "italian", "text": "hi"})小结
本文主要介绍 Langchian 的基本基本概念，组件、生态内容。以及常用的大模型，向量数据库 embedding 以及使用 zhipu ai 配合 ChatOpenAI 实现一个简单的 chatmodel 的例子。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
