AI Agents · 课时

LangChain 架构：模型、提示词、链

三个构建模块：ChatModels、PromptTemplates，以及将它们组合起来的链。

LangChain 架构：模型、提示词、链 是 CoddyKit 上的免费 AI Agents 课时。这是第 1 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Agents 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Agents 课程共包含 4 节课。

本课时的部分内容尚未翻译，以英文显示。

为什么选择 LangChain？

LangChain 是用于构建 LLM 应用的最流行 Python 框架。它提供：

适用于所有主要 LLM 提供商的适配器
适用于多种数据源的加载器和解析器
内存、代理和链等基础构件
向量存储集成

批评者认为它过于臃肿；支持者则喜欢它的广度。我们将重点放在已经稳定下来的核心部分：LCEL。

三个核心概念

模型——您调用的 LLM 和 ChatModels
提示词——生成消息的模板
链——将提示词 → 模型 → 解析器连接起来的组合

模型

跨提供商的统一接口：

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

openai_model = ChatOpenAI(model='gpt-4o-mini', temperature=0.2)
claude_model = ChatAnthropic(model='claude-sonnet-4-5')

resp = openai_model.invoke('Hello!')
print(resp.content)

提示模板

带变量的可复用提示词：

from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ('system', 'You are a {role} assistant.'),
    ('user', '{question}')
])

messages = prompt.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(messages.to_messages())

链：管道运算符

使用 | 将提示词、模型和解析器组合起来：

from langchain.schema.output_parser import StrOutputParser

chain = prompt | openai_model | StrOutputParser()
result = chain.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(result)

输出解析器

将模型的原始输出转换为 Python 类型：

from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel

class Plan(BaseModel):
    steps: list[str]

parser = PydanticOutputParser(pydantic_object=Plan)
chain = prompt | model | parser

可运行对象与可运行协议

每个链元素都是一个具有以下功能的 Runnable：

.invoke(input) — 同步调用
.ainvoke(input) — 异步调用
.stream(input) — 以令牌流式传输
.batch(inputs) — 并行批处理

管道运算符负责将它们组合起来。

Streaming

for chunk in chain.stream({'role': 'helpful', 'question': 'Tell a story.'}):
    print(chunk, end='', flush=True)

Batch

results = chain.batch([
    {'role': 'SQL', 'question': 'Q1'},
    {'role': 'SQL', 'question': 'Q2'}
])
# Runs in parallel.

运行时配置

为每次调用覆盖模型参数：

result = chain.invoke(
    {'role': 'helpful', 'question': '...'},
    config={'configurable': {'temperature': 0.0}}
)

LangChain Hub

拉取社区整理的提示词：

from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')

何时不应使用 LangChain

对于非常简单的代理（一次模型调用、一个工具），LangChain 设计得过于复杂。请直接编写调用代码。当您需要可组合性、重试、可观测性和经过测试的集成时，再使用 LangChain。

链运算符

LangChain 中的 | 运算符有什么作用？

回顾

模型 + 提示词 + 链，通过 | 连接起来。接下来将学习 LangChain 生态中的加载器和向量存储。

常见问题解答

「LangChain 架构：模型、提示词、链」课时是免费的吗？

是的 — 「LangChain 架构：模型、提示词、链」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Agents 课程的其余内容，请升级到 CoddyKit PRO。 AI Agents 课程共包含 4 节课。

「LangChain 架构：模型、提示词、链」这节课中我会学到什么？

三个构建模块：ChatModels、PromptTemplates，以及将它们组合起来的链。你通过在浏览器中直接运行的动手代码来练习 AI Agents，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Agents 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Agents 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 1 节课，共 4 节。

「LangChain 架构：模型、提示词、链」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Agents 课中编写并运行代码吗？

能。每节 AI Agents 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Agents