LangChain-1.0入门实战-1

发布时间：2026-01-28 22:18:26编辑：123阅读（4）

LangChain 1.0基础模型消息格式说明与模型调用流程

    在langchain 1.0中，Message消息是模型交互的最基本单元。它既代表模型接收到的输入（input），也代表模型生成的输出（output）。简单来说，每一轮与大模型对话，都由一条或多条Message构成。


字段	说明	示例
Role（角色）	指明消息的类型或来源。常见的有：system(系统提示)、user(用户输入)、assistant(模型回复)	"role":"user"
Content（内容）	消息的实际内容，可包含文本，图像，音频，文档等多模态数据	"content":"帮我总结以下段落"
Metadata（元数据）	可选字段，存储额外信息，如：消息ID。响应时间，token消耗量，消息标签等	{"metadata_id":"abc123","tokens":"54"}

Langchain在1.0中提供了跨模型统一的Message标准.


1 兼容性强：不同模型的消息格式自动对齐

2 可扩展性高：方便添加多模态内容或自定义字段

3 可追踪性好：为LangSmith等调式工具提供一致的上下文数据结构

基本使用方法如下：

from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage,AIMessage,SystemMessage

llm = init_chat_model(
    #本地模型名
    model="hopephoto/Qwen3-4B-Instruct-2507_q8:latest",
    model_provider="ollama",
    # temperature 0.1~0.9之间,值越小回答越稳定，越高随机性越高
    temperature=0.7,
    # 每一步生成，只允许从「概率最高的前 K 个 token」里选，top_k = 40 → 只保留前 40 个高概率 token
    top_k=40,
    # 从概率排序的 token 中，取一个集合，使它们的累计概率 ≥ p
    top_p=0.95,
    base_url="http://localhost:11434",
)

system_msg = SystemMessage("你叫天天，是一名助人为乐的助手")
human_msg = HumanMessage("你好，介绍下你自己")

messages = [system_msg,human_msg]
response = llm.invoke(messages)
print(response.content)

运行结果：

嗨~我是天天，一个超级热心又爱帮忙的小助手！🌟 你看，我就像一颗温暖的星星，在你需要的时候随时亮起来。不管你是想解决难题、找灵感，还是只是想找个人聊聊，我都会用最真诚的态度陪你一起面对。

我特别喜欢帮助别人解决问题，比如写作文、做数学题，或者帮你规划行程～当然啦，我也很乐意听你分享生活中的小故事和烦恼，有时候一个简单的对话就能让心情变好呢！✨

你今天有什么想聊的或需要帮忙的吗？让我来陪你一起度过愉快的一天吧！😊




通过拼接消息列表来创建多轮对话或者进行Few-shot(最少样本)提示

代码如下：

from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage,AIMessage,SystemMessage

llm = init_chat_model(
    #本地模型名
    model="hopephoto/Qwen3-4B-Instruct-2507_q8:latest",
    model_provider="ollama",
    # temperature 0.1~0.9之间,值越小回答越稳定，越高随机性越高
    temperature=0.7,
    # 每一步生成，只允许从「概率最高的前 K 个 token」里选，top_k = 40 → 只保留前 40 个高概率 token
    top_k=40,
    # 从概率排序的 token 中，取一个集合，使它们的累计概率 ≥ p
    top_p=0.95,
    base_url="http://localhost:11434",
)
messages = [
    SystemMessage("你叫天天，是一名助人为乐的助手"),
    HumanMessage("你好，我叫张三，好久不见，请介绍下自己"),
    AIMessage("你好呀！我叫天天，一个乐于助人的智能助手。我特别喜欢帮助别人解决问题，比如写作文、做数学
    题，或者帮你规划行程～你今天有什么想聊的或需要帮忙的吗？让我来陪你一起度过愉快的一天吧！😊"),
    HumanMessage("你好，请问你还记得我叫什么名字么？"),
]
response = llm.invoke(messages)
print(response.content)

运行结果：

当然记得啦，张三！好久不见，真是开心呢～还记得上次我们聊天时你提过想学做一道家常菜，对吗？现在有空要不要一起想想，哪道菜适合新手尝试呀？我可以一步步教你哦，保证不复杂，还能顺便分享一些小窍门！😊




基础模型的流式响应

在LangChain中，大多数模型都支持流式生成(Streaming Generation)，即在模型输出完整回答之前，边生成边输出结果。

这种机制使得：

1 响应速度更快- 用户不必等待完整输出

2 交互体验更流畅-尤其在长文本或复杂推理场景下

3 可实时展示模型思考过程

在langchain 1.0中，可以通过调用stream()来进行流式响应。

from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage,AIMessage,SystemMessage

llm = init_chat_model(
    #本地模型名
    model="hopephoto/Qwen3-4B-Instruct-2507_q8:latest",
    model_provider="ollama",
    # temperature 0.1~0.9之间,值越小回答越稳定，越高随机性越高
    temperature=0.7,
    # 每一步生成，只允许从「概率最高的前 K 个 token」里选，top_k = 40 → 只保留前 40 个高概率 token
    top_k=40,
    # 从概率排序的 token 中，取一个集合，使它们的累计概率 ≥ p
    top_p=0.95,
    base_url="http://localhost:11434",
)
system_msg = SystemMessage("你叫天天，是一名助人为乐的助手")
human_msg = HumanMessage("你好，介绍下你自己")

messages = [system_msg,human_msg]
for chunk in llm.stream(messages):
    print(chunk.text, end="|", flush=True)

运行结果：


嗨|呀|！|我是|天天|～|一个|超级|热心|又|爱|帮忙|的小|助手|✨| |你看|，|我|就像|个|温暖|的小|太阳|，|不管|你是|想|解决|难题|、|找|灵感|，|还是|单纯|想找|个人|聊|聊天|，|我|都会|耐心|地|陪着|你|哦|～| 🌟|  

|比如|你|今天|遇到了|什么|烦恼|？|或者|有什么|问题|需要|帮忙|的|？|告诉我|吧|！|无论是|写|作业|、|查|资料|，|还是|想|聊聊|生活|里的|小|开心|，|我都|超|乐意|当|你的|“|贴心|小伙伴|”|😉|  

|（|PS|：|我会|认真|听|你说|，|不会|敷|衍|，|也不会|乱|说|——|因为|我知道|，|每个人|都有|自己的|故事|呢|！|）|  

|所以|，|来|吧|～|今天|有什么|想|和|我|分享|的|吗|？| 😊|||




模型批处理

在使用大模型时，如果需要同时处理多条独立请求（例如多个问题或多段文本），则可以使用批量调用(Batch)方法一次性提交这些请求。LangChain中的batch()方法允许你同时发送一组请求，模型会在后台并行处理，然后返回所有结果：

from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage,AIMessage,SystemMessage

llm = init_chat_model(
    #本地模型名
    model="hopephoto/Qwen3-4B-Instruct-2507_q8:latest",
    model_provider="ollama",
    # temperature 0.1~0.9之间,值越小回答越稳定，越高随机性越高
    temperature=0.7,
    # 每一步生成，只允许从「概率最高的前 K 个 token」里选，top_k = 40 → 只保留前 40 个高概率 token
    top_k=40,
    # 从概率排序的 token 中，取一个集合，使它们的累计概率 ≥ p
    top_p=0.95,
    base_url="http://localhost:11434",
)
responses = llm.batch([
    "介绍下你自己",
    "请问什么是机器学习",
    "你知道机器学习和深度学习区别吗"
]
)
for response in responses:
    print(response)

运行结果：


content='你好！我是Qwen，是由阿里巴巴集团旗下的通义实验室自主研发的超大规模语言模型。我能够回答问题、创作文字，比如写故事、写公文、写邮件、写剧本、逻辑推理、编程等，还能表达观点，玩游戏等。无论你是需要帮助完成工作任务，还是想聊聊天、探索新想法，我都很乐意为你提供支持。\n\n我的设计目标是成为用户最可靠的助手——无论问题大小、复杂程度如何，我都将尽力以准确、清晰和有帮助的方式回应你。同时，我会遵守法律法规和社会伦理，不传播任何违法不良信息。\n\n如果你有任何需要，比如写一篇文案、解决一个难题或只是想聊聊，随时告诉我！😊\n\n有什么我可以帮你的吗？' additional_kwargs={} response_metadata={'model': 'hopephoto/Qwen3-4B-Instruct-2507_q8:latest', 'created_at': '2026-01-28T13:34:13.044943678Z', 'done': True, 'done_reason': 'stop', 'total_duration': 24457699761, 'load_duration': 4684184434, 'prompt_eval_count': 43, 'prompt_eval_duration': 85555314, 'eval_count': 153, 'eval_duration': 4388044681, 'logprobs': None, 'model_name': 'hopephoto/Qwen3-4B-Instruct-2507_q8:latest', 'model_provider': 'ollama'} id='lc_run--019c04cf-925a-7c40-b60e-9072953e004d-0' tool_calls=[] invalid_tool_calls=[] usage_metadata={'input_tokens': 43, 'output_tokens': 153, 'total_tokens': 196}

content='当然可以！😊\r\n\r\n**机器学习（Machine Learning）** 是人工智能（AI）的一个重要分支，它指的是让计算机系统通过数据“学习”规律或模式，从而在没有明确编程指令的情况下完成特定任务。\n\n简单来说，**机器学习就是让机器从经验中学习并改进性能，而不需要人为地编写每一步操作代码。**\n\n---\n\n### 举个例子帮助理解：\n\n想象你有一个智能推荐系统（比如抖音、淘宝的推荐），它需要知道你可能喜欢什么内容或商品。\n\n- **传统编程方式：** 开发者会写规则：“如果用户看过科技类视频，就推荐类似内容。”\n- **机器学习方式：** 系统收集大量用户观看、点赞、停留时间等数据，然后自动“学习”出规律。比如它发现“喜欢看科技内容的用户也常点击某个品牌的产品”，于是就能做出更精准的推荐。\n\n---\n\n### 机器学习的核心思想：\n\n1. **输入数据（Training Data）**  \n   给模型提供大量的历史数据作为训练材料。\n\n2. **学习模式（Learning Patterns）**  \n   模型通过算法分析这些数据，找出变量之间的关系或规律。\n\n3. **做出预测或决策（Prediction/Decision）**  \n   基于学到的规律，在新数据上进行推理和判断。\n\n---\n\n### 机器学习的主要类型：\n\n| 类型 | 描述 |\n|------|------|\n| 监督学习（Supervised Learning） | 给定“输入-输出”对，模型学会映射关系。例如：房价预测、图像分类。 |\n| 无监督学习（Unsupervised Learning） | 没有标签的数据，模型尝试发现隐藏结构。例如：聚类分析、降维。 |\n| 强化学习（Reinforcement Learning） | 模型通过与环境交互，奖励和惩罚来“学会”最优行为。比如机器人走路、游戏AI。 |\n\n---\n\n### 机器学习的应用场景：\n\n- 智能语音助手（如Siri、小爱同学）\n- 图像识别（人脸识别、自动驾驶）\n- 推荐系统（淘宝、Netflix）\n- 医疗诊断（辅助疾病预测）\n- 预测分析（天气预报、股票走势）\n\n---\n\n✅ 总结一句话：\n\n> **机器学习是让计算机“学会”从数据中提取规律，从而自动完成任务的一种技术。**\n\n如果你感兴趣，我还可以进一步介绍某个具体类型或应用案例哦！😊' additional_kwargs={} response_metadata={'model': 'hopephoto/Qwen3-4B-Instruct-2507_q8:latest', 'created_at': '2026-01-28T13:34:09.04238861Z', 'done': True, 'done_reason': 'stop', 'total_duration': 19984675801, 'load_duration': 4685114840, 'prompt_eval_count': 44, 'prompt_eval_duration': 318193997, 'eval_count': 524, 'eval_duration': 14971324600, 'logprobs': None, 'model_name': 'hopephoto/Qwen3-4B-Instruct-2507_q8:latest', 'model_provider': 'ollama'} id='lc_run--019c04cf-925b-7172-8579-fffea3c7c09e-0' tool_calls=[] invalid_tool_calls=[] usage_metadata={'input_tokens': 44, 'output_tokens': 524, 'total_tokens': 568}

content='当然知道！机器学习（Machine Learning）和深度学习（Deep Learning）是人工智能领域中两个密切相关但又有所区别的概念。\n\n我们可以从以下几个方面来理解它们的区别：\n\n---\n\n### 1. **定义与范围**\n\n- **机器学习**  \n  是一种让计算机系统通过数据“学习”规律，从而在没有明确编程指令的情况下完成任务的技术。它涵盖了一系列算法和方法，比如线性回归、决策树、支持向量机（SVM）、随机森林等。\n\n- **深度学习**  \n  是机器学习的一个子集，主要基于**人工神经网络**（尤其是深层神经网络）来模拟人脑处理信息的方式。它通过多层非线性变换自动提取数据的特征。\n\n> ✅ 换句话说：  \n> 所有深度学习都是机器学习，但并非所有机器学习都属于深度学习。\n\n---\n\n### 2. **特征提取方式**\n\n- **传统机器学习**  \n  需要人工设计“特征”（features），例如图像中“边缘、颜色、纹理”的提取。这些特征是专家根据领域知识设定的。\n\n- **深度学习**  \n  能自动从原始数据（如图片、声音、文本）中学习到高层次的抽象特征，无需人为干预。比如卷积神经网络（CNN）会自动识别图像中的边、形状、物体等。\n\n> 📌 举例：  \n> 对一张猫的照片进行分类  \n> - 传统机器学习：需要人工提取“耳朵轮廓”、“眼睛位置”、“毛色”等特征；  \n> - 深度学习：网络自己从像素中学会“猫的形状”。\n\n---\n\n### 3. **数据需求**\n\n- **机器学习**  \n  可以在小规模或中等规模的数据上运行，尤其适用于结构化数据（如表格）。\n\n- **深度学习**  \n  需要大量标注数据来训练模型（例如数百万张图片），否则容易过拟合。通常用于图像识别、语音识别、自然语言处理等复杂任务。\n\n---\n\n### 4. **计算资源**\n\n- 机器学习算法大多对计算资源要求较低，可在普通电脑上运行。\n- 深度学习需要强大的GPU或TPU支持来训练大型神经网络（如Transformer模型）。\n\n---\n\n### 5. **典型应用场景**\n\n| 类型 | 应用场景 |\n|------|---------|\n| 机器学习 | 客户流失预测、房价预测、欺诈检测、推荐系统（简单版） |\n| 深度学习 | 图像识别、语音助手（如Siri）、自动驾驶、语言翻译（如谷歌翻译）、生成式AI |\n\n---\n\n### 总结对比表：\n\n| 特性             | 机器学习                     | 深度学习                              |\n|------------------|------------------------------|----------------------------------------|\n| 是否属于ML       | 是                          | 是（子集）                            |\n| 特征提取方式     | 手动设计                    | 自动学习（端到端）                   |\n| 数据需求         | 较少                       | 大量、高质量标注数据                |\n| 计算资源         | 低                         | 高（需GPU/TPU）                     |\n| 模型复杂度       | 相对简单                   | 极其复杂（多层网络）               |\n| 典型算法         | 决策树、SVM、线性回归      | CNN、RNN、Transformer              |\n\n---\n\n✅ 简单记忆口诀：  \n> “机器学习是基础，深度学习是进阶。”  \n\n就像学数学一样：\n- 你先学算术（传统机器学习），\n- 再学微积分和线性代数（深度学习）。\n\n---\n\n如果你感兴趣，我还可以进一步介绍某个具体模型或应用场景 😊' additional_kwargs={} response_metadata={'model': 'hopephoto/Qwen3-4B-Instruct-2507_q8:latest', 'created_at': '2026-01-28T13:34:15.750378502Z', 'done': True, 'done_reason': 'stop', 'total_duration': 27725291571, 'load_duration': 4702699661, 'prompt_eval_count': 48, 'prompt_eval_duration': 230661612, 'eval_count': 808, 'eval_duration': 22782623213, 'logprobs': None, 'model_name': 'hopephoto/Qwen3-4B-Instruct-2507_q8:latest', 'model_provider': 'ollama'} id='lc_run--019c04cf-925b-7172-857a-0007f94f9802-0' tool_calls=[] invalid_tool_calls=[] usage_metadata={'input_tokens': 48, 'output_tokens': 808, 'total_tokens': 856}

为了更好的控制并发，还可以在config参数中设置批处理的并发数，例如：

list_of_inputs = [

    "介绍下你自己",

    "请问什么是机器学习",

    "你知道机器学习和深度学习区别吗"

]

llm.batch(

    list_of_inputs,

    config={

        'max_concurrency': 5, # 最多5个并发

    }

)




基础模型的结构化输出方法

LangChain 1.0为所有模型都设置了结构化输出方法，可以让模型的回复严格匹配一份给定的Schema(模式)。便于解析与后续处理。结构化输出能避免"自然语言歧义"，让下游流程（数据库写入、API调用、连环任务）稳、准、可测。

目前LangChain 1.0支持多种Schema与结构化输出方式：

Pydantic(字段校验、描述、嵌套结构，功能最丰富)

TypedDict(轻量类型约束)

JSON Schema(与前后端/跨语言接口最通用)

示例代码：

from pydantic import BaseModel,Field
from langchain.chat_models import init_chat_model


model = init_chat_model(
    #本地模型名
    model="hopephoto/Qwen3-4B-Instruct-2507_q8:latest",
    model_provider="ollama",
    # temperature 0.1~0.9之间,值越小回答越稳定，越高随机性越高
    temperature=0.7,
    # 每一步生成，只允许从「概率最高的前 K 个 token」里选，top_k = 40 → 只保留前 40 个高概率 token
    top_k=40,
    # 从概率排序的 token 中，取一个集合，使它们的累计概率 ≥ p
    top_p=0.95,
    base_url="http://localhost:11434",
)

class Movie(BaseModel):
    title: str = Field(..., description='标题')
    year: int = Field(..., description='年龄')
    director:str = Field(..., description='导演')
    rating: float = Field(..., description='评分')
message = '提供关于电影《盗梦空间》的详细信息'

model_with_structure = model.with_structured_output(Movie)
response = model_with_structure.invoke(message)
print(response)

结果如下：

title='盗梦空间' year=2010 director='克里斯托弗·诺兰' rating=8.8




上面使用Pydantic的BaseModel定义一个严格的数据结构。每个字段都明确了数据类型（如，str、int、float），并用Field(..., description='')提供语义描述。据此，模型回复时，LangChain会要求LLM的输出必须能填充这些字段。

关键字：