LangChain 快速上手指南：5 分钟跑通第一个 LLM 应用

LangChain 快速上手指南：5 分钟跑通第一个 LLM 应用

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain

想让大模型接上自己的数据、还能随时换模型？LangChain 就是干这个的——一个把聊天模型、工具、数据源串成 AI 应用的开源框架，不绑定任何厂商，模型一行代码就能换掉。下面直接动手，五分钟看到结果。

它到底能帮你做什么

• 一行命令接上主流大模型
• 换模型不用改业务代码
• 文本、文档等数据源标准化加载
• 组件化拼装，原型到生产通用

五分钟跑通第一个 Demo

最快安装方式

pip install langchain langchain-openai

langchain-openai是 OpenAI 的配套适配包，用其他厂商就换对应的包。

最小可运行代码

from langchain.chat_models import init_chat_model model = init_chat_model("openai:gpt-5.5") # 格式是 厂商:模型名 result = model.invoke("用一句话介绍你自己")

模型初始化入口在 libs/langchain_v1/langchain/chat_models/，invoke跑完result.content里就是模型回复的文本。

你会看到什么

终端打印出模型的回答字符串，比如它用一句话自我介绍。就这一来一回，模型、调用、结果解析三件事已经全部走通了。

换个场景试试

实际项目里更常见的姿势是"先喂数据再提问"。比如把一份产品说明文本按长度切块，再交给模型逐块总结，这就是 RAG 检索问答的雏形。切文本用的是独立的 langchain_text_splitters 模块：

from langchain_text_splitters import CharacterTextSplitter splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=50) chunks = splitter.split_text(long_text)

加载文档、检索、向量库这些环节框架里都有对应组件，比如文档加载器在 libs/core/langchain_core/document_loaders/，后面接上就行。

新手最容易踩的两个坑

• 报错找不到 API Key：先设置环境变量，比如export OPENAI_API_KEY=你的密钥，再跑代码。
• 换模型后直接报缺包：init_chat_model只是统一入口，每个厂商都需要装对应适配包（如langchain-anthropic），装上即可。

下一步可以折腾什么

• 工作流复杂了就上 LangGraph，专门做可控的智能体编排
• 想要调试和评测面板，看看官方文档里提到的 LangSmith
• 完整概念和教程从 README.md 里的文档入口进，社区论坛里也有大量实战讨论

【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain