准备工作
使用 ollama 本地部署 LLM
官网下载 exe 文件
打开安装包后，会发现只能安装到 C 盘
在安装包所在的文件夹下进入命令行，执行这行命令即可
OllamaSetup.exe /DIR="你想安装的目录地址"
再配置系统环境变量，文件地址到 ollama 的根目录即可
进入 cmd 命令行，输入
ollama -v出现版本号即代表配置成功
到 ollama官方 找适合你硬件配置的模型
复制到命令行就可以拉取模型了
获取商业大模型的key（阿里云百炼）
前往我的API-KEY页面，单击创建我的API-KEY。
在已创建的API Key操作列，单击查看，获取API KEY。
在CMD中运行以下命令。
setx DASHSCOPE_API_KEY "YOUR_DASHSCOPE_API_KEY"打开一个新的CMD窗口，在新的CMD窗口运行以下命令，检查环境变量是否生效。
echo %DASHSCOPE_API_KEY%安装 langchain 库包
# 创建虚拟环境
conda create -n langchain python=3.12
# 安装langchain
conda install langchain -c conda-forge
# 安装社区包
pip install -U langchain langchain-community langchain-openai langchain_ollama第 1 阶段：基础入门（了解核心概念）
1️⃣ PromptTemplate（提示模板）
功能：用于格式化输入提示，支持参数化、结构化构建 prompt. 统一设计 prompt 样式，支持动态插入参数，适配多任务模板
from langchain.prompts import PromptTemplate
template = "给定一个问题，请提供简明的回答。\n问题：{question}\n答案："
prompt = PromptTemplate.from_template(template)
formatted = prompt.format(question="LangChain 是什么？")
print(formatted)2️⃣ LLMs / ChatModels（语言模型）
功能：调用 OpenAI、Anthropic、Qwen、本地 LLM 等模型，完成生成任务
from langchain_ollama import OllamaLLM
# 建议不要开梯子运行, 容易报错 502
llm = OllamaLLM(
model="qwen2.5:latest",
base_url="http://localhost:11434",
temperature=0.2
)
response = llm.invoke("hello, world!")
print(response)3️⃣ Chains（链）
没有 chain 的代码：
document = "LangChain 是一个用于构建基于大语言模型应用的框架..."
question = "它可以用来做什么？"
prompt = f"请总结这段话：{document}"
response = llm(prompt)
new_prompt = f"根据总结回答这个问题：{response} + {question}"
response2 = llm(new_prompt)手动写流程，而且不好维护
chain 可以把这些步骤封装成一个流程链，一行调用整个逻辑，参数统一传入，代码结构更清晰
from langchain_ollama import OllamaLLM
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableParallel
# 初始化本地模型
llm = OllamaLLM(
model="qwen2.5:latest",
base_url="http://localhost:11434",
temperature=0.2
)
# Step 1: 总结 prompt + 模型 + 输出解析器
summary_prompt = PromptTemplate.from_template("请总结这段文字：{document}")
summary_chain = summary_prompt | llm | StrOutputParser()
# Step 2: QA prompt + 模型 + 输出解析器
qa_prompt = PromptTemplate.from_template("根据总结回答问题：\n总结：{summary}\n问题：{question}")
qa_chain = qa_prompt | llm | StrOutputParser()
# 组合两个步骤：先生成 summary，再输入到 QA 阶段
full_chain = (
RunnableParallel({"summary": summary_chain, "question": lambda x: x["question"]})
| qa_chain
)
# 输入示例
inputs = {
"document": "安装nvidia驱动遇到的问题，很多带图形化界面的 Ubuntu 都自带了 Nouveau（应该是系统自带的显卡驱动）解决办法：1. 创建 blacklist 配置文件禁用 Nouveau：sudo nano /etc/modprobe.d/blacklist-nouveau.conf2. 内容添加：blacklist nouveauptions nouveau modeset=03. 更新 initramfs：sudo update-initramfs -u4. 重启系统：sudo reboot5. 重启后确认 nouveau 是否被禁用：lsmod | grep nouveau6. 没有任何输出才是正常的。并且在执行安装过程时，将图形化界面服务停用掉，切换到 命令行 的方式进行安装sudo systemctl stop gdm后边所有服务都安装好，再启动图形化界面就ok了sudo systemctl start gdm ",
"question": "安装nvidia驱动应该怎么解决？"
}
# 执行链
result = full_chain.invoke(inputs)
print("最终回答：", result)4️⃣ Tools（工具）
功能：LLM 在 Agent 中可调用的实际工具，例如：搜索、计算、爬虫、数据库等。给模型“插件”能力
from langchain.tools import tool
@tool
def add(x: int, y: int) -> int:
return x + y使用
@tool装饰函数生成工具
函数名称作为工具名称、函数注解作为工具描述
from langchain_core.tools import tool
@tool
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
print(multiply.name)
print(multiply.description)
print(multiply.args)
"""
multiply
Multiply two numbers.
{'a': {'title': 'A', 'type': 'integer'}, 'b': {'title': 'B', 'type': 'integer'}}
"""用
@tool装饰async def函数：让 Tool 在异步系统中非阻塞运行，提升性能和并发能力。
import asyncio
from langchain_core.tools import tool
# 用 @tool 装饰一个 异步函数（async def） 来创建一个异步的 LangChain Tool。
@tool
async def amultiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
async def main():
result = await amultiply.ainvoke({"a": 3, "b": 5})
print(result) # 输出 15
asyncio.run(main())使用
Pydantic模型结构化参数（类似json的格式作为参数，将其传入 tool 工具中）
方法一
from pydantic import BaseModel, Field
from langchain_core.tools import tool
class CalculatorInput(BaseModel):
a: int = Field(description="first number")
b: int = Field(description="second number")
# 在 tool 这里填写
@tool("multiplication-tool", args_schema=CalculatorInput, return_direct=True)
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
print(multiply.args)
"""
{'a': {'description': 'first number', 'title': 'A', 'type': 'integer'}, 'b': {'description': 'second number', 'title': 'B', 'type': 'integer'}}
"""方法二
from pydantic import BaseModel, Field
# 结构化参数
class AddInput(BaseModel):
x: int = Field(..., title="第一个数", description="请输入第一个加数")
y: int = Field(..., title="第二个数", description="请输入第二个加数")
# 定义工具
@tool
def add(data: AddInput) -> int:
""" add two numbers """
return data.x + data.y
# 打印工具中的参数
print(add.args_schema.model_json_schema())
"""
{'$defs': {'AddInput': {'properties': {'x': {'description': '请输入第一个加数', 'title': '第一个数', 'type': 'integer'}, 'y': {'description': '请输入第二个加数', 'title': '第二个数', 'type': 'integer'}}, 'required': ['x', 'y'], 'title': 'AddInput', 'type': 'object'}}, 'description': 'add two numbers ', 'properties': {'data': {'$ref': '#/$defs/AddInput'}}, 'required': ['data'], 'title': 'add', 'type': 'object'}
"""
# 调用工具
result = add.invoke({
"data": {
"x": 3,
"y": 5
}
})
print(result) # 输出：8使用结构化工具
StructuredTool.from_function构造 tool
from langchain_core.tools import StructuredTool
from pydantic import BaseModel, Field
# 使用 pydantic 声明参数
class CalculatorInput(BaseModel):
a: int = Field(description="first number")
b: int = Field(description="second number")
# 定义函数（后边用来作为工具）
def multiply(a: int, b: int) -> int:
"""Multiply two numbers."""
return a * b
# 结构化工具构造 tool
calculator = StructuredTool.from_function(
func=multiply, # 指定函数
name="Calculator", # 工具名称
description="multiply numbers", # 工具描述
args_schema=CalculatorInput, # 指定参数
return_direct=True,
# coroutine= ... <- you can specify an async method if desired as well
)
print(calculator.invoke({"a": 2, "b": 3}))
print(calculator.name)
print(calculator.description)
print(calculator.args)
"""
6
Calculator
multiply numbers
{'a': {'description': 'first number', 'title': 'A', 'type': 'integer'}, 'b': {'description': 'second number', 'title': 'B', 'type': 'integer'}}
"""美观形式打印工具参数的方法：
def print_tool_args(tool):
schema = tool.args_schema.model_json_schema()
# 提取顶层参数引用信息
props = schema.get("properties", {})
defs = schema.get("$defs", {})
for param_name, param_info in props.items():
# 判断是否是引用
ref = param_info.get("$ref")
if ref:
# 解析引用名，比如 "#/$defs/AddInput" -> "AddInput"
ref_name = ref.split("/")[-1]
def_info = defs.get(ref_name, {})
def_props = def_info.get("properties", {})
print(f"\n🔧 Tool 参数：{param_name}（结构化模型: {ref_name}）")
for field_name, field_info in def_props.items():
print(f" - 参数名: {field_name}")
print(f" - 类型: {field_info.get('type', '未知')}")
print(f" - 标题: {field_info.get('title', '')}")
print(f" - 描述: {field_info.get('description', '')}")
else:
# 非结构化字段
print(f"\n🔧 Tool 参数：{param_name}")
print(f" - 类型: {param_info.get('type', '未知')}")
print(f" - 标题: {param_info.get('title', '')}")
print(f" - 描述: {param_info.get('description', '')}")5️⃣ Agents（智能体）
功能：LLM 自主决定调用哪些工具，进行推理与行动
第 2 阶段：RAG（检索增强生成）
LangChain 文档中的 RetrievalQA、ConversationalRetrievalChain
自建 RAG 系统：配合 Qdrant / FAISS / Chroma + HuggingFace Embeddings
第 3 阶段：Agents & Tools
1️⃣ 天气应用
准备一个实况天气的 api ，这里采用的是 易客云天气 ，新用户有 3000 次免费调用的额度
http://gfeljm.tianqiapi.com/api?unescape=1&version=v61&appid=你的账户&appsecret=你的密钥&city=查询的城市
各个参数在 接口文档 中有清楚的解释，appid 和 appsecret在控制台查看
使用 langchain 编写代码
from langchain_core.tools import StructuredTool
from pydantic import BaseModel, Field
from langchain_ollama import OllamaLLM
from langchain.agents import initialize_agent, AgentType
import requests
# 使用 pydantic 构造参数
class WeatherInput(BaseModel):
city:str = Field(..., title="city", description="To check the weather for the city")
# 使用该 api 构造函数
# http://gfeljm.tianqiapi.com/api?unescape=1&version=v61&appid={}&appsecret={}&city={}
def get_weather(city: str) -> str:
""" use city to get weather """
url = "http://gfeljm.tianqiapi.com/api"
params = {
"unescape": "1",
"version": "v61",
"appid": "your_id",
"appsecret": "your_secret",
"city": city,
}
response = requests.get(url, params=params).json()
# 提取你需要展示的信息
wea = response["wea"]
tem = response["tem"]
tem1 = response["tem1"]
tem2 = response["tem2"]
wind = response["win"]
wind_speed = response["win_speed"]
humidity = response["humidity"]
air_level = response["air_level"]
air_tips = response["air_tips"]
return (
f"{city}当前天气：{wea}，温度 {tem}℃（最高{tem1}℃，最低{tem2}℃），"
f"{wind}{wind_speed}，湿度 {humidity}，空气质量为「{air_level}」。\n"
f"空气建议：{air_tips}"
)
# 结构化构建 tool
weatherTool = StructuredTool.from_function(
func=get_weather,
name="get_weather",
description="To check the weather for the city",
return_direct=False, # True:让调用工具的输出作为结果直接返回
args_schema=WeatherInput
)
# 定义大模型
llm = OllamaLLM(
model="qwen2.5:latest",
base_url="http://localhost:11434",
temperature=0.2
)
# 使用 Agent 来绑定工具
agent = initialize_agent(
tools=[weatherTool],
llm=llm,
agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, # 更适合本地模型的 agent 类型
verbose=False
)
response = agent.invoke("请问现在南京的天气怎么样？")
print(response["output"])AgentExecutor、initialize_agent
工具链自定义：比如你可以让 Agent 查天气、调用 Python 函数、搜索网页等
LangGraph：LangChain 的新“状态机”工具
第 4 阶段：进阶优化 & 项目集成
多模型适配（OpenAI / Qwen / GLM / Claude）
LangServe（将 LangChain 快速部署为 Web API）
LangSmith（用于调试链、监控和评估）
和 FastAPI / Gradio / Streamlit 等前端结合
参与讨论
(Participate in the discussion)
参与讨论