LangChain 實戰教學：打造你的第一個 AI 應用

從零開始學習 LangChain 框架，涵蓋 Chain、Agent、Memory 三大核心概念，附完整程式碼範例。

AI Academy 編輯部2025年11月22日

LangChain 實戰教學：打造你的第一個 AI 應用

什麼是 LangChain？

LangChain 是一個用於開發 LLM 應用程式的開源框架。它提供了標準化的介面和豐富的工具，讓你能快速建構複雜的 AI 應用。

為什麼選擇 LangChain？

  • 統一介面：支援 OpenAI、Anthropic、Cohere 等多種模型
  • 模組化設計：Chain、Agent、Memory 可靈活組合
  • 豐富生態系：大量預建的工具和整合
  • 生產就緒：LangSmith 提供監控和評估

環境設定

安裝

pip install langchain langchain-openai python-dotenv

設定 API Key

# .env
OPENAI_API_KEY=sk-your-api-key

# main.py
from dotenv import load_dotenv
load_dotenv()

核心概念一：LLM 與 Chat Models

基本使用

from langchain_openai import ChatOpenAI

# 建立 Chat Model
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7
)

# 簡單對話
response = llm.invoke("用一句話解釋什麼是機器學習")
print(response.content)

使用 Messages

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="你是一位友善的 Python 教學助教"),
    HumanMessage(content="什麼是 list comprehension？")
]

response = llm.invoke(messages)
print(response.content)

核心概念二：Prompt Templates

基本模板

from langchain_core.prompts import ChatPromptTemplate

# 建立模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位 {role}，用{style}的方式回答問題。"),
    ("human", "{question}")
])

# 填入變數
messages = prompt.invoke({
    "role": "資深工程師",
    "style": "簡潔專業",
    "question": "什麼是 API？"
})

response = llm.invoke(messages)

使用 Partial Variables

from datetime import datetime

prompt = ChatPromptTemplate.from_messages([
    ("system", "今天是 {date}。你是一位新聞編輯。"),
    ("human", "幫我寫一則關於 {topic} 的新聞標題")
])

# 預先填入部分變數
prompt = prompt.partial(date=datetime.now().strftime("%Y-%m-%d"))

# 使用時只需填入剩餘變數
messages = prompt.invoke({"topic": "AI 發展"})

核心概念三：Chains

Chain 是 LangChain 的核心，用於串連多個元件。

使用 LCEL（LangChain Expression Language）

from langchain_core.output_parsers import StrOutputParser

# 建立 Chain：Prompt -> LLM -> Output Parser
chain = prompt | llm | StrOutputParser()

# 執行
result = chain.invoke({
    "role": "技術作家",
    "style": "深入淺出",
    "question": "解釋 RESTful API"
})
print(result)

串連多個 Chain

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# Chain 1: 生成大綱
outline_prompt = ChatPromptTemplate.from_template(
    "為主題「{topic}」生成一個 3 點的文章大綱，只輸出大綱。"
)
outline_chain = outline_prompt | llm | StrOutputParser()

# Chain 2: 根據大綱寫文章
article_prompt = ChatPromptTemplate.from_template(
    "根據以下大綱撰寫一篇短文：\n{outline}"
)
article_chain = article_prompt | llm | StrOutputParser()

# 組合 Chain
full_chain = (
    {"outline": outline_chain, "topic": lambda x: x["topic"]}
    | article_chain
)

result = full_chain.invoke({"topic": "遠端工作的優缺點"})

核心概念四：Memory

讓 AI 記住對話歷史。

對話記憶

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 建立記憶儲存
store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 建立帶記憶的 Chain
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位友善的助教。"),
    ("placeholder", "{history}"),
    ("human", "{input}")
])

chain = prompt | llm

chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 使用（同一個 session_id 會記住對話）
config = {"configurable": {"session_id": "user_123"}}

response1 = chain_with_history.invoke(
    {"input": "我叫小明"},
    config=config
)
print(response1.content)

response2 = chain_with_history.invoke(
    {"input": "我叫什麼名字？"},
    config=config
)
print(response2.content)  # 會記得叫小明

核心概念五：Output Parsers

結構化 AI 的輸出。

JSON 輸出

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# 定義輸出結構
class MovieReview(BaseModel):
    title: str = Field(description="電影名稱")
    rating: int = Field(description="評分 1-10")
    summary: str = Field(description="一句話評論")

parser = JsonOutputParser(pydantic_object=MovieReview)

prompt = ChatPromptTemplate.from_messages([
    ("system", "分析用戶的電影評論，以 JSON 格式輸出。\n{format_instructions}"),
    ("human", "{review}")
])

chain = prompt | llm | parser

result = chain.invoke({
    "review": "乍看之下是英雄片，但阿凡達其實有深刻的環保意涵，視覺效果令人驚艷，推薦！",
    "format_instructions": parser.get_format_instructions()
})

print(result)
# {'title': '阿凡達', 'rating': 9, 'summary': '視覺震撼的環保史詩'}

實戰專案：FAQ 問答機器人

整合所有概念，建立一個有記憶的問答機器人：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 1. 設定 LLM
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

# 2. 定義 FAQ 知識庫
FAQ_KNOWLEDGE = """
Q: 如何退費？
A: 請在購買後 7 天內，至會員中心申請退費，我們會在 3-5 個工作天處理。

Q: 課程可以看多久？
A: 購買後可永久觀看，不限次數。

Q: 有提供發票嗎？
A: 有的，購買後會自動寄送電子發票到您的信箱。
"""

# 3. 建立 Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是 AI Academy 的客服助理。請根據以下 FAQ 回答問題。
如果問題不在 FAQ 中，請禮貌地表示無法回答，並建議聯繫客服。

FAQ 知識庫：
{faq}

回答規則：
- 使用友善親切的語氣
- 回答要簡潔明瞭
- 可以適當使用 emoji"""),
    ("placeholder", "{history}"),
    ("human", "{input}")
])

# 4. 建立 Chain
chain = prompt | llm | StrOutputParser()

# 5. 加入記憶
store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

chain_with_memory = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 6. 使用
def chat(user_input: str, session_id: str = "default"):
    response = chain_with_memory.invoke(
        {"input": user_input, "faq": FAQ_KNOWLEDGE},
        config={"configurable": {"session_id": session_id}}
    )
    return response

# 測試
print(chat("課程買了可以看多久？"))
print(chat("那如果要退費呢？"))
print(chat("我想買 iPhone"))  # 不在 FAQ 中

除錯技巧

開啟 Verbose 模式

import langchain
langchain.debug = True  # 顯示詳細執行過程

使用 LangSmith

# .env
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=your-api-key
LANGCHAIN_PROJECT=my-project

常見問題

Q: Chain invoke 和 stream 的差異？

# invoke: 等待完整回應
result = chain.invoke({"input": "Hello"})

# stream: 串流輸出（適合長回應）
for chunk in chain.stream({"input": "Hello"}):
    print(chunk, end="", flush=True)

Q: 如何處理 Rate Limit？

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4o-mini",
    max_retries=3,  # 自動重試
    request_timeout=30
)

延伸學習

主題說明
RAG結合向量資料庫做知識問答
Agents讓 AI 使用工具完成複雜任務
Callbacks監控和記錄 Chain 執行

總結

LangChain 的核心概念：

  1. LLM/Chat Models：與 AI 模型互動的基礎
  2. Prompt Templates：可重用的提示模板
  3. Chains：串連多個元件的管道
  4. Memory：記住對話歷史
  5. Output Parsers：結構化輸出

下一步行動：

  1. 安裝 LangChain 並執行範例程式碼
  2. 建立一個簡單的對話機器人
  3. 嘗試加入 Memory 功能
  4. 探索 RAG 應用

相關文章：

參考資源：