大模型应用开发 / 系统课时

第一个 LangChain 程序

第一个 LangChain 程序

本课编写并运行一个最小可用的 LangChain 调用示例,验证环境和密钥都已正确配置,并理解调用一次语言模型所需的最基本代码结构。

学习目标

  • 掌握调用语言模型的最小代码结构
  • 能够运行示例并验证输出是否符合预期
  • 了解调用过程中几个关键参数的作用边界

主示例

准备 Python 3.10 以上、langchain-openai,并在当前终端设置 OPENAI_API_KEY 和 OPENAI_MODEL。模型名称使用账户实际可调用的标识。保存为 first_call.py;真实请求可能计费。以下代码创建一个模型实例,向其发送一条消息并打印返回内容:

python
import os
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model=os.environ["OPENAI_MODEL"], timeout=30, max_retries=1)
response = model.invoke("用一句话介绍 LangChain")
print(response.text)

ChatOpenAI 是对模型服务的统一封装,invoke 是所有 LangChain 组件通用的调用方法,本例用环境变量提供模型名,并设置 30 秒请求超时与一次 SDK 重试;不统一传入 temperature,以免选中的模型不支持该参数。

输出验证

运行上述代码后,预期输出类似:

text
LangChain 是一个用于构建大模型应用的开发框架,提供模型调用、提示词管理和流程编排等能力。

具体措辞会因模型而异,但只要程序不报错并返回非空、与 LangChain 相关的文本,即说明当前请求的鉴权、模型访问与响应解析打通。保存后使用 python first_call.py 运行;不要把某一句固定措辞作为生成模型的断言。

关键边界

temperature 取值范围通常是 0 到 2,数值越高输出越随机;不同模型对该参数的支持程度可能不同。invoke 是同步单次调用,如果需要处理连续对话或大批量请求,需要配合后续课程介绍的 Memory 或批处理能力,单纯调用 invoke 不会自动保留历史对话。

看清返回值与失败边界

模型返回的是 AIMessage,而非普通字符串;其中可能包含文本、工具调用及用量信息。response.text 便于读取文本;需要多模态或工具结果时,应检查相应内容块,不能假设 content 永远是字符串。单次 invoke 不会自动把本轮消息保存成下一轮历史。

如果返回空文本,先检查是否为工具调用或其他内容类型,再决定是否按业务失败处理。请求抛异常时,先区分认证、限流、参数与网络故障;不能对所有错误无限重试。应用层重试还会叠加 SDK 重试,导致实际请求次数大于预期。

测试分成两层:本地用固定模型或 HTTP 测试响应核对消息类型、输出读取和异常分支;集成环境用少量真实请求核对账户权限与回答质量。前者通过不代表模型回答事实正确,后者也不应向服务发送真实敏感资料。

本例只输出文字,没有将生成结果直接用作 Shell 命令或数据库语句。若后续需要执行结构化动作,应先校验字段与业务权限;语言模型的自然语言回答本身不是执行授权。

按自己的节奏,确认真正理解。

目录与阅读设置

记录一个想法

第一个 LangChain 程序

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通