第 2 章：LangChain 核心抽象

章节定位

上一章解决的是“LLM 应用是什么”。这一章开始回答“LangChain 到底在帮你组织什么”。

如果说上一章是在建立心智模型，这一章就是正式进入工具层：你会开始接触 LangChain 的几个核心抽象，并理解为什么它们能把模型调用变成可维护的工程结构。

配套示例

目录：examples/chapter-02
入口：examples/chapter-02/main.py
依赖：examples/chapter-02/requirements.txt
运行：cd examples/chapter-02 && python3 main.py

示例层级与边界

层级：Toy
本章重点：理解 LangChain 核心抽象为什么值得拆分，而不是学习某个真实模型供应商的完整接法。
不要误判：示例只保留最小 LCEL 思维模型，不覆盖真实回调、配置管理或复杂链路。

本章目标

学完这一章，你应该能够：

说清楚 LangChain 在工程里的位置
理解 PromptTemplate、Chat Model、Output Parser 的作用
理解 Runnable 和 LCEL 的基本思想
写出一个可组合、可扩展的最小链式程序
给 AI 学习助手 的后续章节打下结构基础

前置知识

建议你已经理解：

第 1 章中关于 prompt、message、context 的概念
Python 函数和字典的基本使用
最简单的模型调用流程

如果你对这些还不熟，建议先回到第 1 章再看一遍。

2.1 LangChain 在工程中的位置

LangChain 不是模型，不是数据库，也不是 UI 框架。它的角色更像一个“LLM 应用编排层”。

它主要帮你处理这些事：

组织 Prompt
封装模型调用
统一输出解析
把多个步骤串成链
为后续 RAG、Agent、工作流提供共同接口

它不负责这些事：

训练模型
提供自己的大模型
替你设计业务目标
自动解决所有工程问题

这个边界很重要。很多初学者会把框架当成“万能答案”，结果学习时只会照抄例子，不知道每一层为什么存在。

2.2 `PromptTemplate`

PromptTemplate 的作用是把提示词从硬编码字符串里抽出来，变成可复用模板。

它解决的不是“写 prompt”，而是“管理 prompt”。

为什么要这么做：

业务参数会变
同一个模板会被不同章节复用
你需要把任务描述、输入变量和格式要求分开

例如，你可以把“主题”变成一个变量：

python

template = """
你是一个中文技术导师。
请用 3 点解释 {topic}，每点都要短、清晰、适合初学者。
"""

这样就可以反复用于不同主题，而不需要每次手写整段 prompt。

2.3 `Chat Model`

Chat Model 是对聊天式模型接口的封装。

它的价值不只是“能调用模型”，而是让你把调用参数也纳入工程管理：

模型名称
温度
最大输出长度
流式输出
消息格式

在真实项目里，这些参数不会一直固定。不同场景会有不同需求：

学习建议需要更稳定的输出
创意写作可以更高温度
结构化结果通常要更低随机性

所以模型本身也需要像配置一样被管理，而不是散落在代码各处。

2.4 `Output Parser`

模型输出默认是自然语言，但程序通常更喜欢结构化结果。

Output Parser 的作用，就是把模型输出转成程序可处理的数据。

为什么这一步关键：

UI 可以直接消费结构化字段
后续逻辑可以按字段分支处理
调试时更容易知道哪里出错

例如，AI 学习助手 可能希望拿到这样的结构：

json

{
  "title": "LangChain 入门建议",
  "steps": [
    "先理解 LLM 应用基础",
    "再学习 LangChain 核心抽象",
    "最后做第一个链式应用"
  ],
  "difficulty": "beginner"
}

如果没有 parser，你就只能手工从一段自然语言里猜字段含义，这会让后续工程越来越脆弱。

2.5 `Runnable` 与 `LCEL`

Runnable 是 LangChain 里非常核心的抽象之一。你可以把它理解成“一个可组合的执行单元”。

LCEL 是 LangChain 的表达式语言，它允许你用类似管道的方式把步骤串起来：

python

prompt | model | parser

这种写法的价值在于：

每一步职责清晰
组合方式统一
更容易读懂和维护
后续扩展时不需要重写整段流程

你可以把它理解成：

prompt 负责准备输入
model 负责推理
parser 负责整理输出

这比把所有逻辑塞进一个函数里要稳得多。

2.6 最小示例：文本总结器

下面给出一个“概念上的最小链式程序”。这里的重点不是某个具体模型供应商，而是理解组件如何连接。

python

from dataclasses import dataclass


@dataclass
class PromptTemplate:
    template: str

    def format(self, **kwargs) -> str:
        return self.template.format(**kwargs)


class ChatModel:
    def invoke(self, prompt: str) -> str:
        return f"模拟模型输出：{prompt}"


class OutputParser:
    def invoke(self, text: str) -> dict:
        return {
            "summary": text,
            "length_hint": len(text)
        }


def main() -> None:
    prompt = PromptTemplate(
        template="请把下面内容总结成 3 点：{content}"
    )
    model = ChatModel()
    parser = OutputParser()

    formatted = prompt.format(content="LangChain 用于组织 LLM 应用流程")
    raw = model.invoke(formatted)
    result = parser.invoke(raw)

    print(result)


if __name__ == "__main__":
    main()

这个例子还不是完整 LangChain 代码，但它准确表达了核心思想：

模板化输入
模型执行
输出整理

第 3 章会在这个思路上继续往前走，写出真正意义上的 AI 学习助手 V1。

2.7 `AI 学习助手` 的结构化第一版

在这一章里，AI 学习助手 可以先升级成这样：

输入一个学习主题
输出一个摘要
输出一个难度级别
输出一个推荐学习步骤列表

这意味着你开始把“回答问题”变成“回答并可程序化处理”。

这一步非常重要，因为后面的 RAG 和 Agent，都需要结构化能力作为基础。

2.8 本章实践

请你完成以下任务：

为 PromptTemplate 写一个自己的模板
用一个固定主题测试模板格式化结果
设计一个你希望模型输出的结构化 JSON
思考这个 JSON 为什么比自然语言更适合程序处理

如果你愿意继续推进，可以把你设计的结构直接当成 AI 学习助手 V1 的输出格式。

2.9 常见坑

把 LangChain 当成模型提供商
认为 PromptTemplate 只是把字符串拼起来
忽略输出解析的必要性
把多个职责塞进一个长函数里
过早追求复杂链路，导致最小可运行版本都没有

2.10 练习题

LangChain 在工程中的位置是什么？
PromptTemplate 解决的核心问题是什么？
为什么输出解析在真实项目里很重要？
prompt | model | parser 这种结构相比单函数方案有什么优势？

本章总结

这一章的核心收获是：你开始从“调用模型”走向“组织模型能力”。

你已经接触到 LangChain 最重要的三个基础层：

PromptTemplate 负责输入可复用
Chat Model 负责模型执行
Output Parser 负责输出可处理

再加上 Runnable 和 LCEL，你就已经拥有了构建简单但可维护的 LLM 应用骨架。

下一章我们会基于这些基础，正式构建 AI 学习助手 V1，把零散组件真正串成一个最小链式应用。

学完本章，你现在应该会

解释 PromptTemplate、Chat Model、Output Parser 各自负责什么
说清 Runnable 和 LCEL 为什么让链路更容易组合
把一个自然语言需求拆成输入模板、模型执行和输出解析三个步骤
说明为什么结构化输出对 AI 学习助手 后续章节很关键

最小验收 checklist

[ ] 我能写出一个最小的 prompt | model | parser 结构
[ ] 我能解释模板化输入相比直接拼字符串的工程价值
[ ] 我能设计一个简单的结构化输出字段集合
[ ] 我知道 Parser 的职责不是“美化文本”，而是让结果可继续处理

建议你动手改一版

把本章示例的输出改成固定字段，例如 summary、difficulty、steps
给 AI 学习助手 V1 增加一个“学习时长建议”字段，看看 Prompt 和 Parser 要怎么一起调整
尝试把输出改成 Markdown 列表，再比较它和 JSON 各自适合什么场景

卡住时先回看这里

如果你混淆了 LangChain 和模型提供商，回看 chapter-02-langchain-core.md 里的 ## 2.1 LangChain 在工程中的位置
如果你不清楚模板和解析器为什么要分开，回看 chapter-02-langchain-core.md 里的 ## 2.2 PromptTemplate 到 ## 2.4 Output Parser
如果你不知道这些抽象最终要服务什么项目形态，回看 chapter-02-langchain-core.md 里的 ## 2.7 AI 学习助手的结构化第一版

下一章预告

下一章会把本章的抽象组合起来，完成第一个可运行的链式应用，并开始处理“输入主题、生成学习建议、输出结构化结果”这类更接近真实项目的任务。

第 2 章：LangChain 核心抽象 ​

章节定位 ​

配套示例 ​

示例层级与边界 ​

本章目标 ​

前置知识 ​

2.1 LangChain 在工程中的位置 ​

2.2 PromptTemplate ​

2.3 Chat Model ​

2.4 Output Parser ​

2.5 Runnable 与 LCEL ​

2.6 最小示例：文本总结器 ​

2.7 AI 学习助手 的结构化第一版 ​

2.8 本章实践 ​

2.9 常见坑 ​

2.10 练习题 ​

本章总结 ​

学完本章，你现在应该会 ​

最小验收 checklist ​

建议你动手改一版 ​

卡住时先回看这里 ​

下一章预告 ​

第 2 章：LangChain 核心抽象

章节定位

配套示例

示例层级与边界

本章目标

前置知识

2.1 LangChain 在工程中的位置

2.2 `PromptTemplate`

2.3 `Chat Model`

2.4 `Output Parser`

2.5 `Runnable` 与 `LCEL`

2.6 最小示例：文本总结器

2.7 `AI 学习助手` 的结构化第一版

2.8 本章实践

2.9 常见坑

2.10 练习题

本章总结

学完本章，你现在应该会

最小验收 checklist

建议你动手改一版

卡住时先回看这里

下一章预告