学 LangChain 前三章,我悟了:别人的理解永远是别人的,自己写一遍才是自己的
为什么写这篇跟着视频学 LangChain敲完代码觉得哦我懂了。真让我合上教程操作一遍手下的代码总是泛红于是我干了件事拿笔记本把前三章的知识点用自己的话手写一遍。写的时候才发现原来我以为懂的其实只是看过。prompt.invoke(dict)和chain.invoke(dict)的区别我能背但让我讲清楚为什么——卡壳。Message 类和 PromptTemplate 类长得像我一直以为是一回事——直到手写时才发现名字里就差了PromptTemplate几个字。这篇博客就是我的手写笔记整理版。配图全是我的手写原稿。第一章模型创建与调用一句话定位一切应用的起点——把模型变成可调用对象。核心知识点1. 模型创建fromlangchain.chat_modelsimportinit_chat_model llminit_chat_model(modelopenai:glm-4-flash,api_keyos.getenv(ZHIPUAI_API_KEY),base_urlhttps://open.bigmodel.cn/api/paas/v4/,temperature0.7,)init_chat_model是 1.x 官方推荐的统一初始化方式openai:前缀指定用 OpenAI 兼容协议。换厂商只改前缀和base_url。2. 三种调用方式方式返回适用场景llm.invoke(问题)AIMessage一次性问答llm.stream(问题)逐块文本打字机效果、长回答llm.batch([问题1,问题2])AIMessage 列表并发批量处理3..text属性1.x 新特性直接取文本不用再.content。两者等价优先用.text。4. 四种消息类型类型角色出现位置SystemMessage设定人设/规则通常开头出现一次HumanMessage用户输入用户输入AIMessage模型回复内容历史轮次的 AI 输出可能带 tool_callsToolMessage工具执行结果回填工具调用后第二章Message 与提示词模板一句话定位把写死的提示词变成带 {变量} 的可复用模板搞清填词和调模型是两步。我踩过的最大的坑模板(带{变量}) --invoke(dict)-- PromptValue(填好的消息) --llm.invoke-- AIMessage(回复) 填词一步 产物 调模型另一步prompt.invoke(dict)只填词不调模型它返回的是 PromptValue不是模型回复。要调模型得llm.invoke(filled)或者用链prompt | llm | parser。我一开始把填好的 PromptValue 再丢给以模板开头的链报类型不匹配——因为链要的是 dict不是 PromptValue。元组写法最常用promptChatPromptTemplate.from_messages([(system,你是一位{style}风格的翻译专家只输出译文。),(human,请把下面内容翻译成{language}\n{content}),])chainprompt|llm|StrOutputParser()chain.invoke({style:文艺,language:中文,content:Life is a journey...})简洁日常主力。消息模板类写法了解即可日常不用fromlangchain_core.promptsimportSystemMessagePromptTemplate,HumanMessagePromptTemplate promptChatPromptTemplate.from_messages([SystemMessagePromptTemplate.from_template(你是{role}。),HumanMessagePromptTemplate.from_template({content}),])我手写时特意标注了繁琐且无独特价值写代码几乎用不上。它和元组写法功能完全等价但字多一倍。元组能覆盖的场景没必要用它。知道有这回事就行别在这上面花时间。Message 类这才是真正的消息这是我手写时才理清的Message 类SystemMessage、HumanMessage 等是消息实例没有变量替换MessagePromptTemplate 类才是带占位符的模板。名字里就差了PromptTemplate几个字但完全是两种东西SystemMessage(content你是数学老师) 印好的成品书SystemMessagePromptTemplate.from_template(你是{role}) 活字印刷模具Message 类真正不可替代的场景是工具调用——tool_calls和ToolMessage的tool_call_id元组法表达不了。手动构造多轮对话历史fromlangchain_core.messagesimportSystemMessage,HumanMessage,AIMessage messages[SystemMessage(content你是数学老师回答简短。),HumanMessage(content3乘4等于多少?),AIMessage(content12。下一题。),HumanMessage(content那再加8呢?),]llm.invoke(messages).text# 模型知道再加8指的是 128partial 预填充固定变量promptChatPromptTemplate.from_messages([(system,今天是{date}你是{role}。),(human,{input}),]).partial(date2026年10月2日)日期、格式要求等固定内容提前填好调用只传变化部分。第三章结构化输出一句话定位让大模型输出可被代码直接使用的数据而不是一段需要正则解析的文本。核心思想用 Pydantic 定义表单让模型按表填。Pydantic 模型 → JSON Schema → function_calling 协议 → 模型被约束 → 返回严格符合 schema 的 JSON → 自动解析回 Pydantic 对象定义表单frompydanticimportBaseModel,FieldclassMovieReview(BaseModel):title:strField(description电影名称)score:floatField(description评分)one_line:strField(description一句话评价)Field(description...)里的文字会变成 JSON Schema 的 description是模型唯一能看到的填表指南。调用reviewllm.with_structured_output(MovieReview,methodfunction_calling,strictFalse,# glm-4-flash 必须 False).invoke(评价电影《星际穿越》)print(review.title)# 星际穿越print(review.score)# 9.4schema 传一次就绑定到对象上invoke 时只传用户提问不用每次传 schema。include_raw 调试看模型到底返回了什么raw_llmllm.with_structured_output(MovieReview,strictFalse,include_rawTrue)outraw_llm.invoke(评价电影《星际穿越》)# out 是字典三个 key# raw: 原始 AIMessage包含 tool_calls# parsed: 解析后的 Pydantic 对象# parsing_error: 解析异常或 None调试时用这个看模型的 tool_calls 长什么样比直接拿 parsed 对象更能理解底层。json_mode 兜底当function_calling模式对小模型如 glm-4-flash返回 None 时降级用 json_mode。但它只保证合法 JSON不保证字段名一致所以要手动把字段说明写进 promptfields_desc\n.join(f -{name}:{f.descriptionor无说明}forname,finMovieReview.model_fields.items())这里f是 FieldInfo 对象字段的元信息档案不是 Pydantic 模型实例。model_fields是 BaseModel 给的类属性存字段定义字典。总结1.Pydantic 模型 表单Field(description...)是模型的唯一填表说明2. 结构化输出首选with_structured_output(methodfunction_calling)国内小模型用strictFalse3. 小模型返回 None 时降级json_mode但要手动拼字段说明进 prompt4.json_mode必须在 prompt 里写死 JSON 格式说明否则模型会自由发挥5. schema 直接传类名不用传model_fields或model_json_schema()6. 调试用include_rawTrue看raw里模型到底返回了什么写在最后学技术最容易陷入的误区觉得看过 学会了。视频里老师讲得清楚代码也跟着敲了一运行没问题——但这些都是被动接收。真正检验懂没懂是能不能用自己的话讲出来、写出来。手写笔记的过程就是把别人的理解打碎、重组、再输出的过程。写不下去的地方就是没懂的地方。这篇博客里的每一个知识点都是我在笔记本上卡过壳、回头翻代码、再写通的。而对知识的输出是避开情绪幻觉的好方法踩过坑走过泥肿的包和干的泥是我自己的备忘录。输出才是最好的输入。如果你也在学 LangChain建议合上教程拿张纸试试能不能默写出prompt.invoke和chain.invoke的区别——大概率你会发现原来自己没那么懂。关于作者平顶山学院 2026 级计算机专业新生AI 工程方向自学者。爬虫起步正在啃 LangChain目标做出能落地的 AI 系统。我的代码仓库Gitee | 个人博客small-mo.netlify.app

相关新闻

为什么你的纸袋热封总是虚封、粘不牢?

为什么你的纸袋热封总是虚封、粘不牢?

纸袋热封过程中常出现虚封和粘不牢的问题、这些问题对包装质量重要。为了确保纸袋在运输和存储过程中不易开口、必须仔细分析虚封等成因。热封温度、施加压力、材料选择和设备设置都是影响热封质量的重要因素。例如,温度不足可能导致热封面未能充分粘合;…

2026/11/14 20:46:00 阅读更多 →
资料总装车间ANDON系统设计落地指南:点位表、SLA与避坑要点

资料总装车间ANDON系统设计落地指南:点位表、SLA与避坑要点

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/14 2:22:15 阅读更多 →
Spring AI 接入本地大模型:从 Ollama 到 vLLM 的 Java 企业级实践

Spring AI 接入本地大模型:从 Ollama 到 vLLM 的 Java 企业级实践

最近好几个项目里都碰到同一个诉求:内网环境中的 Java 系统,想接大模型能力,但数据不能出内网,成本又不想被 API 调用费拖死。聊下来结论都落在同一套组合上——本地把 DeepSeek、千问这类开源模型跑起来,应用侧用 Spr…

2026/11/14 1:25:56 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/17 8:22:52 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/16 6:41:34 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/16 8:22:12 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/17 11:26:33 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/16 7:30:18 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/16 8:22:12 阅读更多 →

日新闻

周新闻

月新闻