LangChain 快速学习笔记

LangChain 是一个将「模型」「提示词」「数据」「记忆」「工具」等组件像搭积木一样串联成可复用工作流的开源框架。主要思想是 组件化 + 链式调用每个模块职责单一、接口标准，既能快速原型。也便于生产级

1️⃣ 主要模型调用

• LLMs统一的文本理解/生成接口。
• Chat Models专用于对话，支持角色标签。
• Embeddings Models把文本转成向量，用于检索。

痛点：API key 管理与版本变更导致频繁报错。建议使用 .env 文件统一管理，并结合实际环境验证使用。

from langchain_community.llms.tongyi import Tongyi
model = Tongyi
# 非流式输出
res = model.invoke
# 流式输出
res = model.stream
for chunk in res:
print

Chat 模型调用 & 消息对象

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage。AIMessage,SystemMessage
messages =
res = ChatTongyi.stream # 一样需要循环处理

痛点：消息对象类型混乱导致链式调用报错；记得使用正确的 message 类或元组简写。

Prompt 模板篇

PromptTemplate 用于建立可注入变量的提示词，必须通过 .invoke 与 Chain 集成。⚠️ 注意：.format 只做字符串替换，不能直接进入 Chain；使用时请务必采用 .invoke.

from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"我的邻居姓{lastname}，刚生了{gender}，请帮我起一个名字"
)
# 调用 Chain 时必须传 dict
chain = prompt_template | model | StrOutputParser
result = chain.invoke
print

FewShotPromptTemplate 示例

example_template = PromptTemplate.from_template
example_data =
few_shot = FewShotPromptTemplate(
example_prompt=example_template,examples=example_data,prefix="告知我单词的反义词，我提供以下示例","。input_variables=
)

ChatPromptTemplate 与历史记录结合

from langchain_core.prompts import ChatPromptTemplate,MessagesPlaceholder
chat_template = ChatPromptTemplate.from_messages()
def get_history:
return InMemoryChatMessageHistory # 简化示例
base_chain = chat_template | model | StrOutputParser
chain_with_memory = RunnableWithMessageHistory(
base_chain,get_history,input_messages_key='input',history_messages_key='chat_history'
)
response = chain_with_memory.invoke
print

痛点：多轮对话中记忆丢失、内存溢出或文件方法错误；建议使用持久化方案 FileChatMessageHistory 并检查文件权限。说起来，

输出解析器

• SOP : 把复杂对象转换为纯字符串。可链式流式处理，
• JOP : 强制返回 JSON 字典，适合结构化交互。
• CUSTOM Lambda / RunnableLambda : 自定义函数包装任意 Python 函数为 Runnable，可在链中插入业务逻辑。话说回来，

parser_sop = StrOutputParser
parser_jop = JsonOutputParser
# 示例链路：
f_prompt | model | parser_jop | s_prompt | model | parser_sop
# 若想避免改动 prompt。可用 RunnableLambda：
my_func = RunnableLambda
f_prompt | model | my_func | s_prompt | model | parser_sop

痛点：JSON 输出解析失败时常见“不是字典”错误；确保 prompt 输出包含 key-value 对应格式即可。话说回来，

向量存储 & RAG 检索链路

• InMemoryVectorStore：轻量级但非持久化；适合调试、快速原型，
• Croma 向量数据库：持久化、可 需安装额外依赖。
• : 把向量库包装为可插入 Chain 的 Retriever。
• : 数据搬运工，将输入保持不变并传给后续组件。

vectorstore = Chroma( collectionname='test',embeddingfunction=DashScopeEmbeddings)。persistdirectory='./data' )

documents= vectorstore.adddocuments

docsvectorstore.similaritysearch

retriever=vectorstore.asretriever retrievalchain=retriever|prompt|model|StrOutputParser response=retrievalchain.invoke print

⚠️ 注意：直接把 retriever 放到 Chain 中会导致 prompt 无法识别 Document 列表，需要通过 RunnablePassthrough 或自定义函数进行格式化！.

🔧 Retriever 转换为 Runnable 实例

- 用来让向量库符合 Runnable 接口，从而可以在 Chain 中串联。retriever=vectorstore.asretriever ``

🔀 RunnablePassthrough 使用场景

` RunnablePassthrough 是“数据搬运工”。 把输入直接传给后续组件，也可以截流保留原始输入。

如需在同一次请求中同时查询检索结果和保留使用者原问，可以这样写：

chain=。"context":retriever|format_func} | prompt | print_prompt | model | StrOutputParser)

⚠️ 常见错误：“tuple object has no attribute 'type'”，通常是因为 add_message 接收的是 tuple 而非 BaseMessage 导致的，请改用 BaseMessage 或相应类实例化。.

📚 Memory 管理 — 短期 vs 长期

• 短期记忆 — 内存临时保存，仅程序运行期间有效。
• 长期记忆— 持久化到文件，每个 session_id 对应一个文件夹。 ``

❗️ 如果出现 “Error in RootListenersTracer.on_chain_end callback”。很可能是 add_message 接收类型不匹配导致的，请检查实现是否符合 BaseMessage 接口。.

📄 文档加载器概览

• CSVLoader – 自动识别分隔符、字段名，可自定义 csv_args。
• JSONLoader – 支持 jq_schema。text_content,json_lines;小心字段类型不匹配导致报错。
• PyPDFLoader – 快速读取 PDF 页面或单页内容，需要 pypdf 库。
• TextLoader – 基础文本加载，但不会自动切分大文本；建议配合 RecursiveCharacterTextSplitter 分段处理。 python loader=TextLoader splitter=RecursiveCharacterTextSplitter docs=loader.load;split_docs=splitter.split_documents

💡 小贴士：Windows 默认编码是 gbk，若出现乱码请显式设置 encoding 为 utf‑8 或开启 autodetect_encoding。.

& 思考路线图

• 先把各模块拆解出来——模型、提示模板、解析器、检索器、内存等》每一步都明确输入/输出类型。
**痛点**的观点是，参数变化快，版本不兼容导致 “TypeError” 等错误。建议实时查看官方文档并加上 try/except 捕获异常以便定位。​  ​  ​  ​ ​  
• 建立链条时始终遵循 “前一步输出 → 后一步输入” 的规则，并通过RunnableSequence自动完成链接。
再看**痛点**，未将 Retriever 包装为 runnable 或忘记使用.as_retriever就会出现 “Cannot parse list into prompt”。​   
• 若需要同时保留使用者提问和检索结果。请引入RunnablePassthrough或自定义函数映射字典，以防信息丢失。其实，
• 记忆管理要根据业务需求选择短期还是长期。并注意文件权限与方法正确性，否则会抛出 FileNotFoundError 或 PermissionError。
• 向量数据库的 CRUD 操作本质上是追加写入。没有修改功能，只能删除后再增，以保持最终一致性。

希望这份重排后的笔记能方便你搭建自己的 LangChain RAG 框架，而且在遇到常见痛点时能够迅速定位解决！祝编码愉快 🚀✨

---