第2章：LangChain大模型工具开发（Agent工具能力）

LangChain_openai实例化大模型

首先我们需要安装LangChain_openai环境

uv add langchain_openai

from langchain_openai import ChatOpenAI import os llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", stream = True, ) print(llm)

提示词模版

llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", stream=True, ) for chunk in llm.stream("你是谁？"): print(chunk.content, end="", flush=True)

字符串提示词模版PromptTemplate

适用场景：

• 用于文本补全模型，输入是纯文本（单字符串）；
• 适用于简单的任务，列如生成一段文本，回答问题或者执行命令。

特点：

• 输入变量插值：通过{}占位符动态替换变量；
• 模版格式：支持f-string；
• 输出形式：生成一个完整的字符串作为模型输入。

案例：

from langchain_openai import ChatOpenAI from langchain_core.prompts import PromptTemplate import os llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) template = PromptTemplate.from_template("今天是{something}") prompt = template.format(something="晴天") print(prompt)

聊天提示词模版（ChatPromptTemplate）

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate import os llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) template = ChatPromptTemplate.from_messages([ ("system", "你是一位{role}专家，擅长回答{domain}领域的问题，简短回答.50个字"), ("user", "用户提问{question}，请给出一个回答"), ] ) prompt = template.format_messages( role = "编程专家", domain = "编程", question = "如何使用langchain进行编程" ) print(prompt) print(llm.invoke( prompt).content)

消息体的抽象和复用

ChatMessagePromptTemplate可以结合ChatPromptTemplate使用，同时对提示词模版和消息体进行抽象和复用

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate,SystemMessagePromptTemplate import os llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) system_message = SystemMessagePromptTemplate.from_template( template = "你是一位{role}专家，擅长回答{domain}领域问题，请给出一个回答.50个字以内", role = "system" ) user_message = SystemMessagePromptTemplate.from_template( template = "用户提问{question}，请给出一个回答", role = "user" ) template = ChatPromptTemplate.from_messages([ system_message, user_message ] ) prompt = template.format_messages( role = "编程专家", domain = "编程", question = "如何使用langchain进行编程" ) print(prompt) print(llm.invoke( prompt).content)

少样本提示词模版（FewShotPromptTemplate）

使用场景：

• 用于，在提示中包含示例，帮助模型理解任务；
• 适用于复杂任务（如翻译，分类，推理），需要通过示例引导模型行为。

特点：

• 示例嵌入：通过examples参数提供示例输出和输入；
• 动态示例选择：支持ExampleSelector动态选择最相关的示例；
• 模版格式：通过包含前缀（Prefix），示例（Examples）和后缀（Suffix）。

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, FewShotPromptTemplate, \ PromptTemplate import os llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) example = [ { "input": "good night", "output": "晚上好" }, { "input": "good morning", "output": "早上好" } ] example_template = "输入：{input}\n 输出：{output}" shot_prompt = FewShotPromptTemplate( examples=example, example_prompt=PromptTemplate.from_template(example_template), prefix = "请将输入的英文翻译成中文", suffix = "输入：{text}\n输出：", input_variables = ["text"], ) prompts = shot_prompt.format(text="Thank") print(llm.invoke(prompts).content)

总结对比

常见模版类特性和使用场景对比

链式调用大模型

我们可以使用管道符:|进行链式调用大模型

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, FewShotPromptTemplate, \ PromptTemplate import os llm=ChatOpenAI( model="qwen-max", api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) example = [ { "input": "good night", "output": "晚上好" }, { "input": "good morning", "output": "早上好" } ] example_template = "输入：{input}\n 输出：{output}" shot_prompt = FewShotPromptTemplate( examples=example, example_prompt=PromptTemplate.from_template(example_template), prefix = "请将输入的英文翻译成中文", suffix = "输入：{text}\n输出：", input_variables = ["text"], ) chain = shot_prompt | llm res = chain.invoke({"text": "Thank"}) print(res.content)

自定义工具全流程开发

import sys import os sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) from app.bailian.common import chain, shot_prompt, llm from langchain_core.tools import Tool from langchain_core.messages import HumanMessage def add(a,b): return a+b add_tool = Tool( func=add, name="add", description="add two numbers" ) llm_with_tools = llm.bind_tools([add_tool]) chain = shot_prompt | llm_with_tools input_msg = HumanMessage(content="计算1+1的结果") res = chain.stream(input=[input_msg]) for chunk in res: if hasattr(chunk, 'tool_calls') and chunk.tool_calls: for tool_call in chunk.tool_calls: print(tool_call) args = tool_call["args"] print(args) func = tool_call["name"] print(func) if func == "add": print(f"计算结果：{add(float(args['a']), float(args['b']))}")