企业官网建设流程全解析

1. LangChain 快速上手

定义模型->定义消息-> 调用大模型->用输出解析器 或者 定义链(模型+解析器)+执行链

eg:fromlangchain_core.messagesimportHumanMessage,SystemMessagefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.runnablesimportRunnableSequencefromlangchain_openaiimportChatOpenAI# 1. 定义OpenAI模型# 默认从系统环境变量中读取 OPENAI_API_KEYmodel=ChatOpenAI(model="gpt-4o-mini")# 2. 定义消息# 用户消息 HumanMessage# 系统提示消息 SystemMessage 通常作为第一条消息传入# AI 消息 AIMessagemessages=[SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"),HumanMessage(content="my name is xiaoming")]# 3. 调用大模型# result = model.invoke(messages)# 4. 用输出解析器# print(parser.invoke(result))# 定义链+执行链parser=StrOutputParser()chain=model|parser# chain = RunnableSequence(first=model, last=parser)# chain = model.pipe(parser)# 上面这三种方法都是等价的print(chain.invoke(messages))

1.1 核心概念

是LangChain 强制规定的一个统一标准。只要一个组件说自己是Runnable，它就必须具备一套标准的“动作”

标准动作有:

Invoke（调用）： 最基础的“一问一答”。你给它一个输入，它立马处理完给你一个输出。

Batched（批处理）： 批量干活。你一次性给它 10 个问题，它高效率地打包处理，给你 10 个答案。

Streamed（流式传输）： 像打字机一样输出。不用等模型把整整一段话全想好再发给你，而是想出一个字就往外蹦一个字

Inspected（检查）： 查看它的“说明书”。你可以随时查询这个组件到底需要什么样格式的输入，以及会吐出什么格式的输出。

Composed（组合）： 可以用一条流水线（LCEL语法）把多个组件无缝衔接起来。比如：输入 -> 检索器 -> 大模型 -> 解析器 -> 输出。

LangChain Expression Language(LCEL):采用声明性方法，从现有Runnable对象构建新的Runnable对象

通过LCEL构建出的新的Runnable对象，被称为RunnableSequence（也是Runnable接口的实例）

LCEL其实就是一种编排解决方案，使LangChain能够以优化的方式处理链运行时的执行

任何俩个Runnable实例都可以链在一起成序列

–就是通过俩个Runnable对象去创建一个RunnableSequence

方法一:使用|chain=model|parser 其实就相当于chain=RunnableSequence(first=model,last=parser)方法二:用.pipe方法代替 chain=model.pipe(parser)效果跟上面的一样

关于Token:Token是文本的基本单位

–对于英文:1个token相当于4个字符

–对于中文:1个汉字约等于1.5-2个token

1.2 聊天模型核心能力

使用不同的模型提供方，要记得安装各自的包以及设置各自的API Key环境变量

1.2.1 通过 API 定义聊天模型

class langchain_openai.chat_models.base.ChatOpenAI是 LangChain 为 OpenAI 的聊天模型（如gpt-5,gpt-5-mini）提供的具体实现类

ChatOpenAI常用初始化参数:

参数名	参数描述
model	要使用的 OpenAI 模型的名称
temperature	采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。
max_tokens	要生成的最大令牌数
timeout	请求超时时间
max_retries	最大重试次数
openai_api_key/api_key	OpenAI API 密钥。如果未传入，将从环境变量中读取OPENAI_API_KEY。(推荐写到环境变量中去)
base_url	API 请求的基本 URL。
organization	OpenAI 组织 ID。如果未传入，将从环境变量OPENAI_ORG_ID中读取。
……	（其他参数）

fromlangchain_openaiimportChatOpenAI model=ChatOpenAI(model="gpt-5-mini",temperature=0,max_tokens=None,timeout=None,max_retries=2,# api_key="...",# base_url="...",# organization="...",# other params...)

如果使用其他与OpenAI兼容的大模型，比如deepseek,则可以用下面的方式进行定义

–也就base_urlapi_key和model要改改，其他的跟上面的接口搞法一样

importos OPENAI_API_KEY=os.getenv('OPENAI_API_KEY')# 从电脑的「环境变量」里，取出名为 OPENAI_API_KEY 的密钥fromlangchain_openaiimportChatOpenAI model=ChatOpenAI(base_url="https://api.deepseek.com/v1",openai_api_key=OPENAI_API_KEY,model="deepseek-chat",# ...)

引申:invoke()调用:

这个也属于Runnable接口，这个方法是将单个输入转换为对应的输出

invoke()方法的定义:abstractmethod invoke(input:Input,# 必须：输入数据（比如你的问题、对话历史）config:RunnableConfig|None=None,# 可选：运行配置（比如回调、超时）**kwargs:Any,# 额外的关键字参数)->Output 返回值是一个Runnable实例

上面的config参数，类型就是RunnableConfig

classlangchain_core.runnables.config.RunnableConfig 常用参数说明 参数名 参数描述 configurable 通过.configurable_fields()在此 Runnable 或子 Runnable 上配置的属性的运行时值。 run_id 针对此调用运行的跟踪器的唯一标识符。如果未提供，将生成新的 UUID。 run_name 此调用的跟踪器运行的名称。默认为类的名称。 metadata 此次调用和任何子调用的元数据。键是字符串，值是 JSON。类型：dict[str,Any]

方式二:init_chat_model

上面的ChatOpenAI用于明确创建 OpenAI 聊天模型的实例。而init_chat_model()是一个工厂函数，它可以初始化多种支持的聊天模型（如 OpenAI、Anthropic、FireworksAI 等），不仅仅是 OpenAI 的聊天模型

init_chat_model()函数的定义:langchain.chat_models.base.init_chat_model(model:str,*,model_provider:str|None=None,configurable_fields:Literal[None]=None,config_prefix:str|None=None,**kwargs:Any,)->BaseChatModel 返回值就是一个Runnable实例

init_chat_model()常用参数说明:

参数名	参数描述
model	要使用的模型的名称
model_provider	模型提供方。支持的model_provider值和相应的集成包有： -openai→langchain-openai -anthropic→langchain-anthropic -google_genai→langchain-google-genai -ollama→langchain-ollama -deepseek→langchain-deepseek - … 如果未指定，将尝试从模型推断model_provider。
configurable_fields	设置哪些模型参数是可配置的。若配置为： -None: 没有可配置的字段。 -'any': 所有字段都是可配置的，类似api_key、base_url等可以在运行时更改。 -Union[List[str], Tuple[str, ...]]: 指定的字段是可配置的。
config_prefix	- 配置为非空字符串，则模型将在运行时通过查找config["configurable"]["{config_prefix}_{param}"]字段设置配置项。 - 配置为空字符串，那么模型将可以通过config["configurable"]["{param}"]字段设置配置项。
temperature	采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。
max_tokens	要生成的最大令牌数
timeout	请求超时时间
max_retries	最大重试次数
openai_api_key/api_key	OpenAI API 密钥。如果未传入，将从环境变量中读取OPENAI_API_KEY。
base_url	API 请求的基本 URL。
……	其他参数

用法eg:

gpt_model=init_chat_model("gpt-5-mini",model_provider="openai",temperature=0)print("gpt-5-mini: "+gpt_model.invoke("what's your name").content+"\n")

这是可配置的模型 configurable_model_1=init_chat_model(temperature=0)# 动态修改配置，初始化模型并调用configurable_result_1=configurable_model_1.invoke("what's your name",config={"configurable":{"model":"gpt-5-mini"}})print("configurable1: "+configurable_result_1.content+"\n")

这是具有默认值的可配置模型# 可配置模型模拟器configurable_model_2=init_chat_model(model="gpt-5-mini",temperature=0,configurable_fields=("model","model_provider","temperature","max_tokens"),config_prefix="first",)# 动态修改配置，初始化模型并调用configurable_result_2=configurable_model_2.invoke("what's your name?",config={"configurable":{"first_model":"deepseek-chat","first_temperature":0.5,"first_max_tokens":100,}},)print("configurable2: "+configurable_result_2.content+"\n")

1.2.2 通过本地部署的 LLM 定义聊天模型

安装这个Ollama的方法:pip install -U langchain_ollama

class langchain_ollama.chat_models.base.ChatOllama是LangChain 为通过 Ollama 部署的聊天模型提供的具体实现类，同样实现了标准的 Runnable 接口

ChatOllama常用初始化参数说明:

参数名	参数描述
model	要使用的 Ollama 模型的名称
temperature	采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。
timeout	请求超时时间
base_url	API 请求的基本 URL。
num_ctx	设置用于生成下一个令牌的上下文窗口的大小。（默认值：2048）
num_gpu	要使用的 GPU 数量。在 macOS 上，默认为 1 表示启用金属支持，默认为 0 表示禁用。
……	……

fromlangchain_ollamaimportChatOllama ollama_model=ChatOllama(model="deepseek-r1:70b",base_url='http://192.168.100.220:11434')result=ollama_model.invoke("what's your name?")print(result)