LangChain实战：从零构建一个智能问答机器人，解锁大模型应用新姿势

引言

随着ChatGPT的爆火，大语言模型（LLM）的能力被广泛认可。然而，单靠模型本身去解决实际问题往往不够：它无法访问实时数据、不能调用外部API，还容易“遗忘”上下文。LangChain正是为了解决这些痛点而生的框架——它像胶水一样，把LLM、数据库、搜索引擎、工具等串联起来，让你能用几行代码构建出复杂的AI应用。

本文将带你从核心概念入手，通过一个完整的智能问答机器人实战项目，掌握LangChain的四大核心能力：模型交互、链式调用、记忆管理、工具集成。全部代码可直接运行，建议收藏后动手实操。

一、LangChain核心概念速览

在动手之前，我们先快速理解LangChain的几个关键组件：

• Model（模型）：大语言模型的抽象，支持OpenAI、HuggingFace、本地LLM等。
• Prompt（提示词）：管理提示模板，支持变量、Few-shot示例等。
• Chain（链）：将多个组件按顺序组合成流水线，是实现复杂逻辑的核心。
• Memory（记忆）：为对话添加状态，让模型“记住”历史。
• Agent + Tools（智能体+工具）：LLM通过推理决定调用哪个工具（搜索、计算器等），实现自主行动。

本文实战将用到除Agent外的所有组件，帮助你打好坚实基础。

二、环境准备

确保Python 3.9+环境，安装依赖：

pip install langchain langchain-openai chromadb tiktoken python-dotenv

在项目根目录创建.env文件，填写你的OpenAI API Key（或其他模型Key）：

OPENAI_API_KEY=sk-your-key-here

接下来，我们将构建一个智能问答机器人，它能记忆对话上下文，还能根据提问动态搜索外部文档库。

三、实战：智能问答机器人全流程

3.1 基础对话链

首先，实现一个最简单的对话功能：接收用户问题，调用LLM生成回答。

# basic_chain.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate from langchain.schema.output_parser import StrOutputParser load_dotenv() # 1. 初始化模型 llm = ChatOpenAI( model="gpt-3.5-turbo", # 经济实惠的选择 temperature=0.7, # 控制创造性，0最保守，1最随机 max_tokens=500 ) # 2. 构建提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个乐于助人的知识问答助手，回答要准确、简洁。"), ("human", "{user_input}") ]) # 3. 组装链：输入 → 提示词 → LLM → 字符串输出 chain = prompt | llm | StrOutputParser() # 4. 运行测试 if __name__ == "__main__": question = "什么是量子纠缠？用一句话解释。" response = chain.invoke({"user_input": question}) print(f"Q: {question}\nA: {response}")

运行结果示例：

Q: 什么是量子纠缠？用一句话解释。 A: 量子纠缠是指两个粒子无论相隔多远，状态都会瞬间相互关联，就像“心灵感应”。

这就是LangChain的链式调用（LCEL）语法，通过|操作符把各组件串联，数据从左到右流动，清晰且易扩展。

3.2 加入对话记忆

现在的机器人每次都是全新对话，无法记住之前的内容。LangChain提供多种记忆组件，我们使用ConversationBufferMemory把聊天历史注入到提示词中。

```python

chat_with_memory.py

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.memory import ConversationBufferMemory
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema.output_parser import StrOutputParser
from dotenv import load_dotenv

load_dotenv()

1. 模型

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

2. 提示词模板：用MessagesPlaceholder接纳历史消息

prompt = ChatPromptTemplate.from_messages([
("system", "你是一个友好的问答助手，能记住我们之前的对话。"),
MessagesPlaceholder(variable_name="history"), # 自动插入历史
("human", "{input}")
])

3. 记忆组件

memory = ConversationBufferMemory(
return_messages=True, # 以消息对象形式返回历史
memory_key="history" # 与提示词中的变量名对应
)

4. 构建带记忆的链

chain = (
RunnablePassthrough.assign(
history=lambda x: memory.load_memory_variables(x)["history"]
)
| prompt
| llm
| StrOutputParser()
)

5. 交互循环

print("