目录
(Prompts)提示作用
Prompts 常见操作
基础 PromptTemplate 使用
Few-shot 提示模板
ChatPromptTemplate (对话提示模板)
(Agents)代理作用
Agents 常见操作
基础 Agent 使用
自定义工具 Agent
高级应用示例
带记忆的对话代理
使用本地模型的代理
结构化输出代理
LangChain框架 Loader 、Vectorstores、Chain 应用-CSDN博客
另外一篇关于LangChain框架的应用
(Prompts)提示作用
作用：控制大语言模型(LLM)的输入，通过模板化指令引导模型生成更精准的输出。
关键功能：
-
结构化输入：将变量动态插入预定义的文本模板（如：
"写一首关于{topic}的诗"） -
标准化输出：通过指令约束模型返回格式（如JSON、列表等）
-
上下文管理：整合示例(Few-shot)、系统消息等提升效果
典型工作流：
提示模板 → 代理接收 → 决策调用工具 → 整合结果 → 返回最终输出
Prompts 常见操作
基础 PromptTemplate 使用
from langchain.prompts import PromptTemplate# 创建简单提示模板
template = "请用{language}写一个关于{topic}的函数"
prompt = PromptTemplate(input_variables=["language", "topic"],template=template
)# 格式化提示
formatted_prompt = prompt.format(language="Python", topic="快速排序")
print(formatted_prompt)########运行结果############
请用Python写一个关于快速排序的函数Few-shot 提示模板
from langchain.prompts import FewShotPromptTemplate, PromptTemplate# 准备示例
examples = [{"input": "高兴", "output": "笑容满面"},{"input": "悲伤", "output": "泪流满面"}
]# 创建单个示例模板
example_template = """
输入: {input}
输出: {output}"""
example_prompt = PromptTemplate(input_variables=["input", "output"],template=example_template
)# 创建Few-shot模板
few_shot_prompt = FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix="将以下情感转换为成语描述:",suffix="输入: {adjective}\n输出:",input_variables=["adjective"]
)print(few_shot_prompt.format(adjective="愤怒"))################运行结果#######################
将以下情感转换为成语描述:输入: 高兴
输出: 笑容满面输入: 悲伤
输出: 泪流满面输入: 愤怒
输出:ChatPromptTemplate (对话提示模板)
from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate
from langchain.schema import SystemMessage# 创建聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages([SystemMessage(content="你是一个有帮助的AI助手"),HumanMessagePromptTemplate.from_template("{user_input}")
])formatted_chat = chat_prompt.format_messages(user_input="你好！")
print(formatted_chat)################运行结果########################
[SystemMessage(content='你是一个有帮助的AI助手', additional_kwargs={}, response_metadata={}), HumanMessage(content='你好！', additional_kwargs={}, response_metadata={})](Agents)代理作用
作用：让LLM自主调用工具(Tools)完成复杂任务，实现动态决策和自动化流程。
关键功能：
-
工具集成：连接搜索API、计算器、数据库等外部工具
-
任务编排：自动决定何时调用哪个工具（如先搜索再计算）
-
多步骤推理：通过循环迭代解决需要多步操作的问题
Agents 常见操作
基础 Agent 使用
from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.llms import Ollama
# 初始化工具和LLM
llm = Ollama(temperature=0,model='qwen')
tools = load_tools(["serpapi","llm-math"], llm=llm)# 创建代理
agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)# 执行任务
agent.run("目前特斯拉的股价是多少？如果是100股，总价值是多少美元？")自定义工具 Agent
from langchain.agents import tool
from langchain.agents import AgentType, initialize_agent
from langchain.llms import Ollama# 定义自定义工具
@tool
def get_word_length(word: str) -> int:"""返回单词的长度"""return len(word)# 初始化
llm = Ollama(temperature=0,model='qwen3')
tools = [get_word_length]# 创建代理
agent = initialize_agent(tools,llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)# 使用代理
agent.run("单词'hello'的长度是多少？")##################运行结果#####################
<think>
好的，用户问的是单词'hello'的长度是多少。我需要用提供的工具来解决这个问题。首先，我应该调用get_word_length工具，参数是'hello'。然后工具会返回这个单词的长度。我只需要把结果返回给用户就可以了。
</think>Thought: 我需要确定单词'hello'的长度。可以使用get_word_length工具来获取这个信息。
Action: get_word_length
Action Input: hello
Observation: 5
Thought:<think>
Final Answer: 单词'hello'的长度是5。高级应用示例
带记忆的对话代理
from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import Ollama
from langchain.memory import ConversationBufferMemory# 初始化带记忆的代理
llm = Ollama(temperature=0,model='qwen')
tools = load_tools(["llm-math"], llm=llm)
memory = ConversationBufferMemory(memory_key="chat_history")agent = initialize_agent(tools,llm,agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,memory=memory,verbose=True
)# 多轮对话
agent.run("3的平方是多少？")
agent.run("再加上7等于多少？")###############运行结果#########################
Thought: Do I need to use a tool? Yes
Action: the action to take, should be one of [Calculator] ]
Action Input:
Observation: the action to take, should be one of [Calculator] ] is not a valid tool, try one of [Calculator].
Thought:Do I need to use a tool? No
AI: 3的平方是9.
```> Finished chain.> Entering new AgentExecutor chain...
AI: 再加上7等于14.使用本地模型的代理
from langchain_community.llms import Ollama
from langchain.agents import tool, AgentType
from langchain.agents import initialize_agent# 使用本地Ollama模型
llm = Ollama(model="qwen")# 定义简单工具
@tool
def word_counter(text: str) -> int:"""计算文本中的单词数量"""return len(text.split())# 创建代理
agent = initialize_agent([word_counter],llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)agent.run("数一数这句话有多少个单词: 'LangChain是一个强大的AI开发框架'")############运行的结果#################我应该使用word_counter()工具来计算文本中的单词数量。
Action: word_counter
Action Input: 'LangChain是一个强大的AI开发框架'
Observation: 1
Thought:根据观察结果，一句话只有一个单词。Final Answer: 一句话只有一个单词。结构化输出代理
from langchain.llms import Ollama
from langchain_core.tools import tool
from langchain.prompts import PromptTemplate
from langchain.agents import initialize_agent, AgentType
from langchain_community.llms import Ollama
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
from typing import Any, Dict
import json# 1. 定义更简单的输出结构
response_schemas = [ResponseSchema(name="summary", description="文章的简要总结"),ResponseSchema(name="keywords", type="list", description="提取的关键词列表"),ResponseSchema(name="sentiment", description="情感分析结果，只能是positive/neutral/negative")
]# 2. 创建自定义解析器处理Ollama输出
class OllamaOutputParser(StructuredOutputParser):def parse(self, text: str) -> Dict[str, Any]:try:# 尝试从输出中提取JSON部分start = text.find('{')end = text.rfind('}') + 1json_str = text[start:end]return json.loads(json_str)except Exception as e:# 如果解析失败，返回默认结构return {"summary": "无法生成摘要","keywords": [],"sentiment": "neutral"}output_parser = OllamaOutputParser.from_response_schemas(response_schemas)# 3. 修改提示模板确保JSON格式输出
ANALYSIS_PROMPT = """请严格按以下要求分析文本：
文本：{text}输出要求：
1. 必须使用JSON格式
2. 包含以下字段：- summary: 50字以内摘要- keywords: 3-5个关键词列表- sentiment: 情感倾向(positive/neutral/negative)返回的JSON必须用```json包裹：
```json
{{你的JSON输出}}
```"""# 4. 创建工具
@tool
def analyze_text(text: str) -> Dict[str, Any]:"""分析文本并返回结构化结果"""prompt_template = PromptTemplate(template=ANALYSIS_PROMPT,input_variables=["text"],partial_variables={"format_instructions": output_parser.get_format_instructions()})formatted_prompt = prompt_template.format(text=text)llm = Ollama(model="qwen3", temperature=0)result = llm(formatted_prompt)try:return output_parser.parse(result)except Exception as e:print(f"解析失败: {e}")return {"summary": text[:50] + "...","keywords": ["LangChain"],"sentiment": "neutral"}# 5. 创建并运行代理
agent = initialize_agent([analyze_text],Ollama(model="qwen3", temperature=0),agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,verbose=True,handle_parsing_errors=True # 关键：处理解析错误
)text = "LangChain是一个用于开发语言模型应用的框架。它简化了与LLMs的交互过程，提供了模块化组件,可以快速开发AI模型应用。"
result = agent.run(f"分析这段文本: {text}")
print(result)################运行结果##################################
<think>
好的，我现在需要分析用户提供的关于LangChain的文本。首先，用户的问题是要分析这段文本，所以我要使用analyze_text工具。让我先仔细阅读一下文本内容。文本内容是：“LangChain是一个用于开发语言模型应用的框架。它简化了与LLMs的交互过程，提供了模块化组件,可以快速开发AI模型应用。” 看起来这段文字在介绍LangChain的功能和优势。我需要确定用户的需求是什么，可能他们想了解LangChain的核心功能、它如何简化开发过程，或者它的主要特点。接下来，我应该调用analyze_text工具来处理这段文本。工具会返回结构化的结果，比如关键词、主题、重要信息等。我需要确保输入的文本正确无误，然后等待工具的分析结果。根据返回的观察结果，我可以提取关键点，比如框架的用途、简化交互的过程、模块化组件以及快速开发应用的优势。最后，将这些信息整理成一个清晰、简洁的最终答案，回答用户的问题。
</think>Thought: 我需要使用analyze_text工具来分析提供的文本内容。
Action: analyze_text
Action Input: LangChain是一个用于开发语言模型应用的框架。它简化了与LLMs的交互过程，提供了模块化组件,可以快速开发AI模型应用。Observation: {'summary': 'LangChain是开发语言模型应用的框架，简化LLM交互，提供模块化组件以快速构建AI应用。', 'keywords': ['LangChain', '语言模型应用', 'LLMs交互', '模块化组件', 'AI应用开发'], 'sentiment': 'neutral'}
Thought:<think>
</think>Final Answer: 这段文本介绍了LangChain是一个用于开发语言模型应用的框架，其核心功能包括简化与大型语言模型（LLMs）的交互过程，并通过模块化组件实现快速开发AI模型应用。关键词有LangChain、语言模型应用、LLMs交互、模块化组件和AI应用开发，整体语气中性。> Finished chain.
这段文本介绍了LangChain是一个用于开发语言模型应用的框架，其核心功能包括简化与大型语言模型（LLMs）的交互过程，并通过模块化组件实现快速开发AI模型应用。关键词有LangChain、语言模型应用、LLMs交互、模块化组件和AI应用开发，整体语气中性。
