LangChain Python SDK 入门实战：从 0 到常见能力全覆盖

1. 先建立正确认知：LangChain 是什么

当你写下这行代码：

from langchain_openai import ChatOpenAI
from langchain import PromptTemplate

本质是在做三件事：

通过 LangChain 提供的统一接口调用底层 LLM 服务
利用 LangChain 的模块化组件构建复杂 AI 工作流
连接外部工具与数据源，让 LLM 真正“动起来”

也就是说，LangChain 是你与 LLM 之间的“智能编排层”，它让你不用手写底层流程细节，而是通过组合模块来构建强大的 AI 应用。

2. 环境准备（最小可用）

2.1 安装依赖

pip install langchain langchain-openai

2.2 配置 API Key（推荐环境变量）

export OPENAI_API_KEY="sk-xxxx"

可选：

export OPENAI_MODEL="gpt-4o-mini"
export OPENAI_BASE_URL="https://your-compatible-endpoint/v1"

OPENAI_BASE_URL 只在代理或兼容端点场景下使用，标准接入可以不设置。

3. LangChain Python 库核心组件速查表

基于 langchain>=0.2 官方库整理：常用组件、作用与主要参数。

组件及作用	参数及参数含义
`PromptTemplate` 提示模板：标准化、参数化指令	① template：必选，模板字符串 ② input_variables：可选，变量列表 ③ partial_variables：可选，部分变量预填充
`ChatOpenAI` OpenAI 聊天模型接口	① model：必选，模型名称（如 `gpt-4o-mini`） ② temperature：可选，随机性（约 0～2；越低越稳，越高越发散） ③ max_tokens：可选，生成长度上限（token） ④ base_url：可选，兼容端点 / 代理根 URL
`ConversationBufferMemory` 对话记忆：缓存对话历史	① memory_key：可选，记忆在链中的键名 ② return_messages：可选，是否返回消息对象列表
`LLMChain` 基础链式调用：连接 Prompt 与 LLM	① llm：必选，语言模型实例 ② prompt：必选，提示模板 ③ memory：可选，记忆实例 ④ output_key：可选，输出键名
`Tool` 工具定义：供 Agent 调用的外部能力	① name：必选，工具名称 ② func：必选，工具函数 ③ description：必选，工具描述（Agent 依赖此描述决定是否调用）
`initialize_agent` 初始化智能体：组合 LLM 与工具	① tools：必选，工具列表 ② llm：必选，语言模型实例 ③ agent_type：必选，智能体类型（如 `zero-shot-react-description`） ④ verbose：可选，是否打印详细日志

4. LangChain Python SDK 方法知识字典（按组件分类）

4.1 `PromptTemplate`：提示模板

作用：标准化、参数化提示，避免硬编码
常用参数：template、input_variables
推荐：使用 from_template 快速创建

from langchain import PromptTemplate

# 方式 A：快速创建
template = PromptTemplate.from_template(
    "你是一名软件测试专家，请分析以下测试报告并给出{n}条改进建议：{report}"
)

# 方式 B：显式指定变量
template = PromptTemplate(
    template="你是{role}，请{task}",
    input_variables=["role", "task"]
)

# 使用模板
prompt = template.format(role="测试工程师", task="分析测试报告")

4.2 `ChatOpenAI`：模型接口

作用：统一调用 OpenAI 模型
常用参数：model、temperature、base_url
推荐：优先用环境变量 OPENAI_API_KEY

import os
from langchain_openai import ChatOpenAI

# 方式 A：推荐。只要环境变量里有 OPENAI_API_KEY 即可
# export OPENAI_API_KEY="sk-xxxx"
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)

# 方式 B：显式传 API Key（测试脚本常用，生产不建议明文写死）
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    model="gpt-4o-mini"
)

# 方式 C：兼容端点 / 代理（比如企业网关）
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url="https://your-proxy-or-compatible-endpoint/v1",
    model="gpt-4o-mini"
)

4.3 `LLMChain`：基础链式调用

作用：连接 Prompt 与 LLM，执行基本推理
常用参数：llm、prompt、memory
常见读取：直接调用 run() 或 predict()

from langchain import LLMChain

chain = LLMChain(
    llm=llm,
    prompt=template
)

# 方式 A：run 方法
response = chain.run(report="系统测试结果显示性能下降20%", n=3)
print(response)

# 方式 B：predict 方法（更灵活的参数传递）
response = chain.predict(report="系统测试结果显示性能下降20%", n=3)
print(response)

4.4 `Memory`：对话记忆

作用：维护对话状态，支持多轮交互
常用类型：ConversationBufferMemory、ConversationSummaryMemory
注意：需要在 Chain 中指定 memory_key

from langchain.memory import ConversationBufferMemory

# 创建记忆实例
memory = ConversationBufferMemory(memory_key="chat_history")

# 在 Chain 中使用
chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate.from_template(
        "{chat_history}\n用户：{input}\n助手："
    ),
    memory=memory
)

# 多轮对话
response1 = chain.run(input="你好，我是测试工程师")
print(response1)

response2 = chain.run(input="如何分析性能测试报告？")
print(response2)

# 查看记忆内容
print(memory.load_memory_variables({}))

4.5 `Tool` + `initialize_agent`：智能体与工具

作用：让 LLM 调用外部工具，执行复杂任务
核心流程：定义工具 → 初始化 Agent → 执行任务

from langchain.agents import initialize_agent, Tool
from langchain.tools import DuckDuckGoSearchRun

# 1) 定义工具
search_tool = Tool(
    name="Search",
    func=DuckDuckGoSearchRun().run,
    description="用来搜索最新测试框架资讯"
)

# 2) 初始化 Agent
agent = initialize_agent(
    tools=[search_tool],
    llm=llm,
    agent_type="zero-shot-react-description",
    verbose=True
)

# 3) 执行任务
response = agent.run("帮我查一下2026年流行的AI测试框架")
print(response)

4.6 `SequentialChain`：顺序链式调用

作用：组合多个 Chain，按顺序执行
适用：复杂工作流，多步骤处理

from langchain.chains import SequentialChain

# 创建第一个 Chain（分析报告）
template1 = PromptTemplate.from_template(
    "分析以下测试报告，提取关键问题：{report}"
)
chain1 = LLMChain(
    llm=llm,
    prompt=template1,
    output_key="issues"
)

# 创建第二个 Chain（生成建议）
template2 = PromptTemplate.from_template(
    "针对以下问题，生成改进建议：{issues}"
)
chain2 = LLMChain(
    llm=llm,
    prompt=template2,
    output_key="suggestions"
)

# 组合为顺序链
overall_chain = SequentialChain(
    chains=[chain1, chain2],
    input_variables=["report"],
    output_variables=["issues", "suggestions"]
)

# 执行
result = overall_chain("系统测试结果显示性能下降20%，内存占用过高")
print("问题：", result["issues"])
print("建议：", result["suggestions"])