LangChain使用模式说明和使用场景

1. 基础LLM调用示例

llm = ChatOpenAI(model="gpt-4o-mini",
                 openai_api_key='sXXXXXX',
                 openai_api_base='https://XXX/v1',
                 temperature=0)
response = llm.invoke('请讲一个笑话')
response.content

解释：

创建了一个ChatOpenAI实例，配置了模型名称、API密钥和基础URL

temperature=0表示输出确定性最高，创造性最低

invoke方法发送请求并获取响应

response.content包含模型生成的文本

使用场景：

简单的文本生成任务

不需要工具调用的基础问答

快速原型开发

2. 工具调用Agent示例

from langchain_core.tools import tool
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 定义工具@tool
def get_weather(city: str):
    """获取指定城市的天气信息"""
# 实际实现会调用天气APIreturn f"{city}的天气是晴天，25℃"

tools = [get_weather]

# 构建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，请根据用户需求选择合适的工具"),
    ("user", "{input}"),
    ("placeholder", "{agent_scratchpad}"),# 必须加上这一行
])

agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

response = agent_executor.invoke({"input": "上海今天天气怎么样？"})
print(response["output"])

解释：

使用@tool装饰器定义可调用的工具函数

agent_scratchpad是Agent思考过程的占位符

Agent会自动判断何时需要调用工具

verbose=True会打印详细的执行过程

使用场景：

需要结合外部数据或API的任务

动态决定是否需要工具调用的场景

复杂问题分解执行

3. 工作流状态图示例

from langgraph.graph import StateGraph, END, START
from typing import TypedDict, Optional

class State(TypedDict):
    joke: Optional[str]
    quality: Optional[int]

def generate_joke(state: State):
    return {"joke": "为什么鸡过马路？为了到另一边去！"}

def improve_joke(state: State):
    return {"joke": f"{state['joke']} (好吧，这个笑话不太好笑)"}

def polish_joke(state: State):
    return {"joke": f"精炼版：{state['joke']}"}

def check_punchline(state: State):
    if "另一边" in state["joke"]:
        return "Pass"
    return "Fail"

# Build workflow
workflow = StateGraph(State)

# Add nodes
workflow.add_node("generate_joke", generate_joke)
workflow.add_node("improve_joke", improve_joke)
workflow.add_node("polish_joke", polish_joke)

# Add edges
workflow.add_edge(START, "generate_joke")
workflow.add_conditional_edges(
    "generate_joke", check_punchline, {"Fail": "improve_joke", "Pass": END}
)
workflow.add_edge("improve_joke", "polish_joke")
workflow.add_edge("polish_joke", END)

# Compile
chain = workflow.compile()

# Execute
result = chain.invoke({})
print(result["joke"])

解释：

定义了状态类State来跟踪工作流状态

每个节点是一个处理函数，接收和修改状态

check_punchline是条件判断函数

工作流支持条件分支和线性流程

使用场景：

多步骤处理流程

需要条件分支的任务

内容生成和迭代优化

复杂业务逻辑编排

4. 工具绑定示例

from langchain_core.tools import tool

@tool
def analyze_joke_quality(joke: str):
    """分析笑话的质量，返回1-10的评分"""
    return len(joke) // 5# 简单示例逻辑@tool
def get_weather_info(city: str):
    """获取城市天气信息"""
    return f"{city}: 晴天，25℃"

# 将工具绑定到LLM
tools = [analyze_joke_quality, get_weather_info]
llm_with_tools = llm.bind_tools(tools)

# 使用绑定工具的LLM
messages = [
    ("system", "你是一个幽默助手"),
    ("user", "讲个笑话并评估它的质量")
]
response = llm_with_tools.invoke(messages)
print(response.content)

# 如果有工具调用
if response.tool_calls:
    for call in response.tool_calls:
        print(f"需要调用工具: {call['name']}")
        print(f"参数: {call['args']}")

解释：

bind_tools让LLM知道可用的工具

LLM会自动判断何时需要调用工具

响应中可能包含工具调用请求，但是不会调用需要自己判断处理调用

需要后续处理工具调用的结果

使用场景：

需要LLM主动决定工具调用的场景

工具参数需要LLM动态生成的场景

减少手动工具调用判断逻辑

综合比较

[table]

这些示例展示了从简单到复杂的LangChain使用模式，您可以根据具体需求选择合适的模式。

有关使用上的问题，欢迎您在底部评论区留言，一起交流~

1. 基础LLM调用示例

2. 工具调用Agent示例

3. 工作流状态图示例

4. 工具绑定示例

综合比较

读者评论