LangChain · 开源仓库介绍 · 跟我学机器学习

仓库简介#

LangChain 是当前最主流的 LLM 应用开发框架，由 LangChain AI 维护，强调统一的 Runnable 接口、丰富的官方与第三方集成、与 LangGraph / Deep Agents / LangSmith 同生态，用于构建链式调用、工具、RAG、Agent 等大模型应用。这份 LangChain 入门实战手册把快速上手必须掌握的 8 大函数类压缩成一张速查表，每一类直接给出必会 API 与本站对应文章，做到「langchain 入门教程一站式导航 / langchain 基础教程速查 / langchain 实战教程案例库」。

快速上手 8 大函数类#

下面把 LangChain 快速入门 / langchain 基础教程 / langchain 实战教程 中绕不开的 8 大函数类压缩成一张速查表。第 1 列是函数类别，第 2 列直接跳转到本站对应章节，覆盖 90% LLM 应用代码片段。

函数类 · 用途	本站对应章节 · langchain 入门教程
1. chat_models 模型调用（LangChain 模型统一接口）统一 `init_chat_model` 入口	2.2 大模型 SDK 体系：OpenAI SDK 调用与 Chat Completions 实战 2.4 千问大模型接入教程：DashScope 调用与使用方法 2.1 大模型 SDK 介绍：常见调用方式与开发接口
2. prompts 提示词模板（LangChain 提示词工程）模板、消息占位、消息组合	2.4 千问大模型接入教程：DashScope 调用与使用方法第 4 章 RAG Agent、Function Calling、ReAct 与 LangGraph
3. output_parsers 输出解析（LangChain 结果结构化）字符串 / JSON / Pydantic / 列表	4.2 Function Calling 原理：JSON Schema 参数定义与工具调用实战
4. document_loaders + splitters 文档加载与切分（LangChain RAG 文档预处理）多源装载、按块切分	3.1 文档标准化：RAG 中文档加载与预处理流程 3.2 文本切分策略：RAG 文档分块方法详解
5. embeddings + vectorstores 向量与检索（LangChain RAG 检索）文本嵌入、向量库、语义召回	3.4 Qwen Embedding 模型：向量化能力与使用场景 3.3 向量数据库选择：RAG 检索系统如何选型 3.5 语义检索系统搭建：Embedding 向量化与 Milvus 召回实战 3.6 Milvus 教程：向量化流程、模块结构与检索链路解析
6. chains Runnable 链式编排（LangChain 链式调用基础） LCEL 表达式、管道组合	4.4 RAG Agent 原理与搭建：检索增强到工具调用的完整流程第 4 章 RAG Agent、Function Calling、ReAct 与 LangGraph
7. tools 工具定义（LangChain Function Calling 教程） @tool 装饰器、结构化工具	4.3 LangChain @tool 修饰器：从函数到 Schema 的自动封装实战 4.2 Function Calling 原理：JSON Schema 参数定义与工具调用实战
8. agents 智能体（LangChain Agent 教程） ReAct、Tool-Calling、Retrieval Agent	5.10 create_agent 教程：使用 create_agent 搭建 Mini ChatGPT 第 8 讲 create_agent 教程：用 LangChain create_agent 快速搭建 Mini ChatGPT 的 ReAct Agent 4.4 RAG Agent 原理与搭建 4.5 ReAct 框架原理：复杂问题拆解、推理与行动循环

这 8 大函数类覆盖了 LangChain 入门教程 / LangChain 入门手册 中 90% 的高频代码片段——拿到任意新需求（聊天问答 / RAG / Agent / 工具调用）时，按此清单逐项对照，就能拼出一份完整的 LangChain 代码。

入门到上手 3 步路径#

阶段	关键步骤	本站对应章节
第 1 步安装 + 模型一次调用	`pip install langchain langchain-openai` → `init_chat_model(...).invoke(msg)` 跑通 hello world	2.2 大模型 SDK 体系：OpenAI SDK 调用与 Chat Completions 实战 2.4 千问大模型接入教程：DashScope 调用与使用方法
第 2 步 prompt + parser 拼出第一条链	`ChatPromptTemplate.from_messages \| model \| StrOutputParser()` 用 LCEL 管道串联	4.4 RAG Agent 原理与搭建：检索增强到工具调用的完整流程
第 3 步 RAG / tools / agent 接外部世界	Loader + Splitter + Embedding + Vectorstore + Retriever + @tool + create_agent 联调出真正的智能体	3.5 语义检索系统搭建：Embedding 向量化与 Milvus 召回实战 4.3 LangChain @tool 修饰器 5.10 create_agent 教程：使用 create_agent 搭建 Mini ChatGPT

最小上手代码（LangChain 入门教程标配）#

# 第 1 步：安装
# pip install langchain langchain-openai

from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.tools import tool

# 第 2 步：模型调用 + LCEL 链式
model = init_chat_model("openai:gpt-5.5")     # 也可 "qwen:qwen-max" / "anthropic:claude-sonnet"
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个简洁的助手，把用户输入翻译成 {lang}。"),
    ("human", "{text}"),
])
chain = prompt | model | StrOutputParser()       # ★ LCEL 三段管道

print(chain.invoke({"lang": "法语", "text": "早上好"}))

# 第 3 步：@tool 装饰器定义工具，给下一步接 Agent 用
@tool
def get_weather(city: str) -> str:
    """返回指定城市的当前天气。"""
    return f"{city} 当前 22°C，晴"

# 第 4 步：看 create_agent 完整教程把工具挂上去
# 见：第 5.10 节 create_agent 教程

更多链式编排、RAG 与 Agent 实战，直接看第 4 章 RAG Agent、Function Calling、ReAct 与 LangGraph 与从零构建 MiniChatGPT 教程（8 讲）。

仓库简介#

快速上手 8 大函数类#

入门到上手 3 步路径#

最小上手代码（LangChain 入门教程标配）#

相关链接#