LangChain 的核心優(yōu)勢在于其模塊化的組件設(shè)計，它有一系列基礎(chǔ)組件共同支撐起從“輸入→處理→輸出”的完整流程。下面我會按數(shù)據(jù)流轉(zhuǎn)邏輯分類講解這些核心組件，并用新手友好的示例說明用法，幫你快速理解它們的定位和作用。

一、核心基礎(chǔ)組件分類（按功能場景）

1. 輸入層：Prompt 相關(guān)組件（提示詞模板）

PromptTemplate/ChatPromptTemplate 是構(gòu)建“結(jié)構(gòu)化提示詞”的核心，解決手動拼接字符串易出錯、格式不統(tǒng)一的問題，是連接用戶輸入和模型的橋梁。

核心作用：定義提示詞的固定模板 + 動態(tài)填充變量（比如用戶問題、上下文）。

from langchain_core.prompts import PromptTemplate, ChatPromptTemplate

# 1. 基礎(chǔ)文本提示詞模板（適用于普通LLM）
prompt_template = PromptTemplate(
    input_variables=["question"],  # 聲明需要填充的變量
    template="請用簡潔的語言回答：{question}"  # 模板字符串
)
# 填充變量生成提示詞
prompt = prompt_template.format(question="什么是LangChain？")
print(prompt)  # 輸出：請用簡潔的語言回答：什么是LangChain？

# 2. 對話型提示詞模板（適用于Chat模型，區(qū)分角色）
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一個編程助手，回答簡潔明了"),  # 系統(tǒng)角色
    ("user", "{question}")  # 用戶輸入變量
])
# 生成對話格式的提示詞
messages = chat_prompt.format_messages(question="Python怎么學(xué)？")
print(messages)  # 輸出：[SystemMessage(content='你是一個編程助手...'), HumanMessage(content='Python怎么學(xué)？')]

2. 執(zhí)行層：LLM/ChatModel（模型調(diào)用）

這是 LangChain 對接大模型的核心組件，分為兩類：

• LLM：對接文本輸出型模型（如 GPT-3、Claude 文本版），輸出純字符串；
• ChatModel：對接對話型模型（如 GPT-3.5/4、Claude 3），輸出結(jié)構(gòu)化的對話消息。

核心作用：發(fā)送提示詞給大模型，獲取模型返回結(jié)果。

from langchain_openai import OpenAI, ChatOpenAI
import os

os.environ["OPENAI_API_KEY"] = "你的API Key"

# 1. 基礎(chǔ)LLM（文本輸出）
llm = OpenAI(model="gpt-3.5-turbo-instruct")
result = llm.invoke("請解釋什么是LLM？")
print(result)  # 輸出純文本回答

# 2. ChatModel（對話輸出）
chat_model = ChatOpenAI(model="gpt-3.5-turbo")
result = chat_model.invoke("請解釋什么是ChatModel？")
print(result.content)  # 提取對話消息的內(nèi)容字段

3. 處理層：Runnable（鏈/組合器）

Runnable 是 LangChain 中所有組件的“通用接口”，核心是支持 invoke()（同步調(diào)用）、stream()（流式輸出）等統(tǒng)一方法，常見實現(xiàn)包括：

• RunnableSequence：按順序執(zhí)行多個組件（用 | 運算符簡化）；
• RunnableParallel：并行執(zhí)行多個組件（合并結(jié)果）；
• 你熟悉的 RunnablePassthrough 也屬于 Runnable 體系。

核心作用：把 Prompt、Model、Passthrough 等組件組合成復(fù)雜的執(zhí)行流程。

from langchain_core.runnables import RunnableSequence, RunnableParallel
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 順序鏈（最常用，用|簡化）
prompt = ChatPromptTemplate.from_messages([("user", "{question}")])
model = ChatOpenAI()
chain = prompt | model  # 等價于 RunnableSequence([prompt, model])
result = chain.invoke({"question": "LangChain的核心組件有哪些？"})
print(result.content)

# 2. 并行鏈（同時執(zhí)行多個任務(wù)）
parallel_chain = RunnableParallel({
    "short_answer": prompt | model,  # 生成簡短回答
    "original_question": RunnablePassthrough()  # 透傳原始問題
})
result = parallel_chain.invoke({"question": "Python怎么學(xué)？"})
print(result)  # 輸出：{"short_answer": 模型回答, "original_question": {"question": "Python怎么學(xué)？"}}

4. 輸出層：OutputParser（輸出解析器）

大模型返回的是文本/對話消息，OutputParser 可以把非結(jié)構(gòu)化輸出轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)（如 JSON、列表、自定義類），解決“解析模型輸出”的痛點。

核心作用：標(biāo)準(zhǔn)化模型輸出格式，方便后續(xù)處理。

from langchain_core.output_parsers import (
    StrOutputParser,  # 轉(zhuǎn)字符串
    JsonOutputParser,  # 轉(zhuǎn)JSON
    ListOutputParser   # 轉(zhuǎn)列表
)
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 字符串解析器（最基礎(chǔ)）
model = ChatOpenAI()
str_parser = StrOutputParser()
chain = prompt | model | str_parser
result = chain.invoke({"question": "Python怎么學(xué)？"})
print(type(result))  # 輸出：<class 'str'>

# 2. JSON解析器（指定格式讓模型輸出JSON）
json_parser = JsonOutputParser()
# 提示詞中明確要求輸出JSON格式
prompt = ChatPromptTemplate.from_messages([
    ("user", "請列出3個Python學(xué)習(xí)網(wǎng)站，輸出JSON格式，字段為name和url")
])
chain = prompt | model | json_parser
result = chain.invoke({})
print(result)  # 輸出：[{"name": "菜鳥教程", "url": "https://www.runoob.com/"}, ...]
print(type(result))  # 輸出：<class 'list'>

5. 數(shù)據(jù)層：Document/TextSplitter（文檔處理）

如果需要處理長文本（如PDF、文章），這兩類組件是基礎(chǔ)：

• Document：標(biāo)準(zhǔn)化文本數(shù)據(jù)結(jié)構(gòu)（包含 page_content 內(nèi)容字段 + metadata 元數(shù)據(jù)字段）；
• TextSplitter：把長文本分割成小片段（適配模型上下文窗口限制）。

核心作用：處理外部文本數(shù)據(jù)，為“檢索增強(qiáng)生成（RAG）”打基礎(chǔ)。

from langchain_core.documents import Document
from langchain_text_splitters import CharacterTextSplitter

# 1. 定義Document
doc = Document(
    page_content="LangChain是一個大模型應(yīng)用開發(fā)框架，支持RAG、Agent等場景。它的核心是模塊化組件。",
    metadata={"source": "官方文檔", "type": "introduction"}
)

# 2. 分割長文本
text_splitter = CharacterTextSplitter(
    chunk_size=50,  # 每個片段最大字符數(shù)
    chunk_overlap=10  # 片段間重疊字符數(shù)（保證上下文連續(xù)）
)
splits = text_splitter.split_documents([doc])
print(len(splits))  # 輸出：2（分割成2個片段）
print(splits[0].page_content)  # 輸出第一個片段內(nèi)容

二、其他常用基礎(chǔ)組件

總結(jié)

1. 核心流轉(zhuǎn)邏輯：PromptTemplate（構(gòu)造提示詞）→ ChatModel/LLM（調(diào)用模型）→ OutputParser（解析輸出），通過 Runnable 組合流程，RunnablePassthrough 負(fù)責(zé)數(shù)據(jù)透傳/加工；
2. 擴(kuò)展能力：Document/TextSplitter 處理外部文本，VectorStore 實現(xiàn)檢索增強(qiáng)，ChatMessageHistory 實現(xiàn)多輪對話；
3. 統(tǒng)一接口：所有組件都實現(xiàn) Runnable 接口，支持 invoke()/stream() 等統(tǒng)一調(diào)用方式，降低組合復(fù)雜度。

這些組件的核心設(shè)計思想是“模塊化+可組合”，你可以像搭積木一樣，用基礎(chǔ)組件組合出復(fù)雜的大模型應(yīng)用（如RAG、智能體Agent）。