LangChain 不接模型也能跑:提示词模板 + 假模型先跑通链条

如何使用Jupyter在LangChain环境下调用本地开源大模型进行问答 本文介绍了在Anaconda环境下搭建LangChain框架并调用本地大模型的完整流程。首先配置LangChain环境并启动Jupyter Notebook,然后通过LMStudio下载并加载开源大模型(如Qwen3-0.6b)。重点演示了如何利用LangChain的Chain功能,将提示模板、模型调用和结果解析串联,实现营销文本生成。文章详细说明了输出解释器的作用,并对比了invoke批量获取和stream流式输出两种调用方式。最后展示了在Jupyter中成功调用本地模型进行问答和文本生成的效果,验证了该 阅读详情

今天热点榜开源项目里的 langchain-ai(Python,117.1k star)。没申请 API Key 也能先学:langchain-core 自带提示词模板、假模型和解析器,三件套串成一条链,先把流程跑通,换真实模型时只换模型那一行。

一、总览:链条三件套

在这里插入图片描述

一条链三个环节:提示词模板把输入拼成消息,模型回一条消息,解析器把消息取成纯文本。竖线 | 把三件套串起来,invoke 一次就跑完全程。

链条的核心是顺序:模板 → 模型 → 解析器,一步接一步。

二、提示词模板:输入拼成消息

    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个网络安全学习助手,只回答 {topic} 相关的问题。"),
        ("human", "{question}"),
    ])

模板里 {topic} 和 {question} 是占位符,调用时传字典填进去。format_messages 先看一眼拼出来的是什么:

system : 你是一个网络安全学习助手,只回答 爬虫 相关的问题。
human : 什么是 robots.txt?

先看拼出的消息再往下走,提示词长什么样心里有数。

三、假模型:只回固定答复

    model = GenericFakeChatModel(messages=cycle([
        AIMessage(content="robots.txt 是网站根目录下的规矩文件,爬虫先读它再动手。"),
    ]))

GenericFakeChatModel 是 langchain-core 自带的假模型,不联网、不花钱,只会回你给它的固定答复。注意 messages 要传迭代器,这里用 cycle 让它一直循环回同一条。假模型是验链条的,不是真聊天的:换什么问题,它都回同一句。

四、串成链条:一次 invoke 跑完全程

    chain = prompt | model | StrOutputParser()

两个问题实测输出:

--- 链条输出(问题一) ---
robots.txt 是网站根目录下的规矩文件,爬虫先读它再动手。
--- 链条输出(问题二) ---
robots.txt 是网站根目录下的规矩文件,爬虫先读它再动手。

问题二问的是三次握手,答复还是同一句——这正是假模型的本色:链条通了,答复是假的;接上真实模型,同一条链不用改结构。

五、实测输出

环境:Python 3.12.3,langchain-core 1.8.1。完整输出一字不差:

--- 模板拼出的消息 ---
system : 你是一个网络安全学习助手,只回答 爬虫 相关的问题。
human : 什么是 robots.txt?
--- 链条输出(问题一) ---
robots.txt 是网站根目录下的规矩文件,爬虫先读它再动手。
--- 链条输出(问题二) ---
robots.txt 是网站根目录下的规矩文件,爬虫先读它再动手。

六、完整代码

38 行:

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""LangChain 不接模型也能跑:提示词模板 + 假模型把链条先跑通。

没申请 API Key 之前,先用 langchain-core 自带的假模型
(GenericFakeChatModel)把整条链跑通:模板拼提示词,
模型回固定答复,解析器取纯文本。换真实模型时只换模型那一行。
"""
from itertools import cycle

from langchain_core.language_models.fake_chat_models import GenericFakeChatModel
from langchain_core.messages import AIMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate


def main():
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个网络安全学习助手,只回答 {topic} 相关的问题。"),
        ("human", "{question}"),
    ])
    messages = prompt.format_messages(topic="爬虫", question="什么是 robots.txt?")
    print("--- 模板拼出的消息 ---")
    for m in messages:
        print(m.type, ":", m.content)

    model = GenericFakeChatModel(messages=cycle([
        AIMessage(content="robots.txt 是网站根目录下的规矩文件,爬虫先读它再动手。"),
    ]))
    chain = prompt | model | StrOutputParser()
    print("--- 链条输出(问题一) ---")
    print(chain.invoke({"topic": "爬虫", "question": "什么是 robots.txt?"}))
    print("--- 链条输出(问题二) ---")
    print(chain.invoke({"topic": "抓包", "question": "什么是三次握手?"}))


if __name__ == "__main__":
    main()

规矩不变:只抓公开页面、慢一点、看 robots.txt。这篇没碰任何真实模型和 Key,链条跑通了再谈接模型的事。

你还想看热点榜里的哪个项目?留言告诉我。

LangChain提示词工程:从基础模板到RAG与Agent实战 提示词工程是连接人类意图与大语言模型能力的核心技术。其原理在于通过结构化、富含上下文的指令,引导模型进行可控、可靠的推理与生成。这项技术的核心价值在于,它将早期依赖“魔法咒语”的尝试,转变为可重复、可测试、可优化的系统工程,是构建稳定AI应用的基础。在实际应用场景中,无论是构建检索增强生成(RAG)系统来为模型注入专业知识,还是设计能自主调用工具的智能体(Agent),其效能上限都高度依赖于提示词的设计。本文聚焦于LangChain框架,深入探讨如何通过其强大的提示词模板系统,告别原始的字符串拼接,实现提示 阅读详情

相关推荐

从零开始构建信息提取链条:用LangChain实现结构化数据提取

通过本文,你已经掌握了使用LangChain进行信息提取的基本方法。LangChain官方文档Jupyter Notebook安装指南。

akhfuiigabv的博客 673

[迎接新变化:迁移到Astream Events v2的关键指南]

通过迁移到Astream Events v2,开发者可以享受到更一致性、更简化的API体验。这种变化不仅提高了使用效率,也减轻了对事件输出处理的复杂度。如果你想更深入地了解这些变化,推荐查阅官方API文档或参与开发者社区。

mmlihaio的博客 651

微信数据库读取解密脚本 聊天记录查看工具,支持所有微信版本,后期将支持企业微信[Windows]

(1)获取微信昵称、微信账号、微信手机号、微信邮箱、微信KEY的基址偏移(2)获取微信的微信昵称、微信账号、微信手机号、微信邮箱、微信KEY、微信原始ID(wxid_******)(3)获取微信文件夹路径(4)支持查看聊天记录查看(5)根据key解密微信数据库(6)提供数据库部分字段说明(7)支持微信多开场景,获取多用户信息等(8)微信需要登录状态才能获取数据库密钥(9)支持导出聊天记录为html,备份微信聊天记录,方便查看(10)合并多个数据库,方便查看。

weixin_43101935的博客 1万+

LangChain链条创建与LCEL语法

在现代大语言模型(LLM)应用的构建中,LangChain 提供了一种全新的表达范式,被称为。

峰哥的专栏 656

Innovus Flexible H-tree and Multi-tap Clock Flow Lab实操系列教程(Day1)

Innovus Flexible H-tree and Multi-tap Clock Flow Lab实操系列教程(Day1)

weixin_37584728的博客 2654

固高GTS运动控制卡C#实战:三轴点胶机样本程序深度拆解(从跑通到落地优化)

最近接手一款三轴桌面式点胶机项目,核心控制模块选了固高GTS-400-PV运动控制卡——工业场景里的“老熟人”,稳定、脉冲输出精准,支持多轴联动,完全能满足点胶机的精度需求(±0.01mm)。但拿到固高官方提供的C#样本程序时,却犯了难:样本程序只实现了“三轴联动运动”的基础功能,既没有结合点胶机的核心需求(运动与出胶同步、路径自定义、急停处理),也没讲清关键参数(电子齿轮比、加速时间)的计算逻辑,新手照着跑通后,根本不知道怎么适配实际点胶场景。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1840

[LangChain语言模型组件-06]基于Completion模型的提示词模板

我们知道提示词是调用语言模型最为核心的输入,提示词的质量直接影响答案的质量,所以我们不论抬高提示词的重要性都不过分。提示词在LangChain中通过`PromptValue`类型表示,我们一般利用预定义的提示词模板来生成它。提示词模板也以一个`Runnable`对象的形式存在,由于提示词模板生成的`PromptValue`正好使模型的输入,所有两者正好组合成一个LCEL链。

JaydenAI的博客 741

开发者的避坑指南:在Apple Silicon Mac上构建RocketMQ Python客户端的完整心路历程

本文详细记录了在Apple Silicon Mac上构建RocketMQ Python客户端的完整过程,重点解决了架构兼容性问题。通过源码编译rocketmq-client-cpp库,修复构建脚本和CMake配置,最终成功在M2芯片MacBook Pro上部署RocketMQ Python客户端,为开发者提供了实用的避坑指南。

Pepper的专栏 697

玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南

在人工智能技术快速发展的背景下,大语言模型(LLM)的应用场景越来越广泛,例如自动化文本生成、智能问答系统、知识提取等。然而,如何高效地与这些大模型交互,成为开发者面临的一大挑战。LangChain正是为解决这一问题而生的。LangChain 是一个开源框架,旨在帮助开发者更便捷地与大语言模型(如 OpenAI 的 GPT 系列、阿里云通义千问 Qwen)进行交互。

吴师兄大模型的博客 6143

基于DSP28335的Matlab/Simulink代码生成实验七:A/D采样

实验七:讲解如何使用DSP的ADC模块,通过代码生成技术控制DSP进行电流采样,是后续实现电机闭环控制的重要环节。通过简单的实验来熟悉代码生成的过程。最终实现复杂算法代码自动生成,进行高性能电机控制!

m0_73869369的博客 4726

大规模SoC芯片Hierarchical Flow Calibre LVS教程

大规模SoC芯片Hierarchical Flow Calibre物理验证LVS实现教程

weixin_37584728的博客 1204

[langchain教程]langchain01——用langchain调用大模型

LangChain 是一个开源框架,旨在简化基于大型语言模型(LLMs)的应用程序开发。通过模块化组件和链式结构将语言模型与外部数据源、工具和任务流程集成,构建复杂且功能强大的应用程序。

m0_69281817的博客 1616

rk3568 rk628桥片hdmi转lvds

RK628 是瑞芯微全新推出的视频桥接芯片,支持丰富的显示接口,支持高分辨率大屏产品转换需求。基于DRM、FB的显示框架易于使用。 输入信号支持:HDMI、RGB、BT.1120,输出信号支持 HDMI、GVI、Dual LVDS、Dual MIPI、MIPI-CSI、RGB、BT.1120,最高支持4K 60fps 输入/输出转换,并且支持输入到输出 1/4~4倍的缩放。

weixin_35723192的博客 1134

LangChain 提示词模板

关于LangChain提示词模板的三种类型、方法对比等。摘要要概括核心要点。</think>LangChain提示词模板分三类:纯文本用PromptTemplate,聊天结构用ChatPromptTemplate,少样本示例用FewShotPromptTemplate。链式调用首选invoke()方法,调试用format()。invoke继承自Runnable,format来自BasePromptTemplate,调用invoke实际执行format

zgd34521的博客 298

YOLO11涨点优化:注意力魔改 | 引入Deformable Attention (可变形注意力),灵活感受野自适应复杂形变目标

Deformable Attention为YOLO11带来的不仅是2.6个百分点的mAP提升,更是一种全新的“形变感知”范式。标准卷积的固定感受野在非刚性目标、多尺度变化和遮挡场景下力不从心——Deformable Attention恰好填补了这一空白。从架构设计到代码实现,从竞品对比到部署方案,从生态工具到安全风险,本文覆盖了将Deformable Attention引入YOLO11所需的全部知识链路。

2601_95807009的博客 286

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

LangChain 提示词工程

本文详细介绍了LangChain中的提示词工程(Prompt Engineering),包括PromptTemplate和ChatPromptTemplate的使用方法。主要内容涵盖:1) 提示词模板的基本概念与组成,包含指令、示例和问题三部分;2) 新旧版本导入方式的区别;3) 如何创建和格式化提示词模板,包括部分参数填充;4) 聊天消息提示词模板的特殊性,区分system、human、ai等不同角色消息。文章通过具体代码示例展示了模板创建、参数填充和格式化操作,适合LangChain初学者和需要系统学习

qq_40248599的博客 729

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

全面掌握 LangChain:从核心链条构建到动态任务分配的实战指南

在自然语言处理(NLP)的世界里,任务需求的多样性和复杂性不断给开发者提出挑战。一个高效的NLP系统需要同时胜任多个任务,例如动态生成广告语、个性化推荐,甚至能回答跨学科的问题。然而,传统开发方法通常需要独立为每个任务设计逻辑模块,不仅耗时耗力,还极易导致代码的复杂性失控。LangChain以其模块化的设计为这一问题提供了解决方案。它不仅简化了开发流程,还通过强大的链条组合能力,使开发者能够快速搭建从单一任务到多任务分配的完整逻辑流。

吴师兄大模型的博客 4237

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Langchain提示词模板

examples:示例数据,list,内套字典example_prompt:示例数据的提示词模板prefix:组装提示词,示例数据前内容suffix:组装提示词,示例数据后内容input_variables:列表,注入的变量列表。

weixin_63485245的博客 213

大模型应用框架-LangChain(文末附大模型入门文档)

LangChain由 Harrison Chase 创建于2022年10月,它是围绕LLMs(大语言模型)建立的一个框架,LLMs使用机器学习算法和海量数据来分析和理解自然语言,GPT3.5、GPT4是LLMs最先进的代表,国内百度的文心一言、阿里的通义千问也属于LLMs。LangChain自身并不开发LLMs,它的核心理念是为各种LLMs实现通用的接口,把LLMs相关的组件“链接”在一起,简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用。

瓦罗兰特顶级C位的博客 1573

【LangChain系列1】【LangChain表达式 (LCEL)】

LangChain给自身的定位是:用于开发由大语言模型支持的应用程序的框架。它的做法是:通过提供标准化且丰富的模块抽象,构建大语言模型的输入输入规范,利用其核心概念chains,灵活地连接整个应用开发流程。这里是LangChain系列的第一篇,主要介绍LangChain表达式 (LCEL)。

艰难困苦,玉汝于成。 1911

大模型LangChain速通——Chain模块详解

LangChain给自身的定位是:用于开发由大语言模型支持的应用程序的框架。它的做法是:通过提供标准化且丰富的模块抽象,构建大语言模型的输入输出规范,利用其核心概念chains,灵活地连接整个应用开发流程。这里是LangChain系列的第四篇,主要介绍LangChain的Chain模块。LangChain是一个框架,用于开发由大型语言模型(LLM)驱动的应用程序。开发:使用LangChain的开源构建块和组件构建应用程序。使用第三方集成和模板开始运行。

大模型工程师老蓝的博客 1665

从LangChain接入LLM到创建AI智能体

LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它使得应用程序能够:具有上下文感知能力:将语言模型连接到上下文来源(提示指令,少量的示例,需要回应的内容等)具有推理能力:依赖语言模型进行推理(根据提供的上下文如何回答,采取什么行动等)llm=chat,#每次把之前的内容都做总结conversation_summary_memory.invoke({“input”:“你知道什么是抖音吗?”})

Theahe的博客 1558

LangChain框架之 invoke() 方法

LangChain框架中的invoke()是核心同步调用方法,用于触发可调用对象(如模型、链条、工具等)的执行并获取结果。作为Runnable体系的基础方法,invoke()提供统一接口支持多种组件:模型(ChatOpenAI)、提示模板(PromptTemplate)、链条(Chain)和工具(Tool)等。该方法同步阻塞执行,自动处理不同输入格式(字典/字符串/消息列表),并返回相应类型的输出结果。典型应用场景包括直接调用模型生成文本、填充提示模板、执行组合链条(如"提示模板|模型|解析器&q

TTKunn的博客 2402

5分钟跑通LangChain Agent:本地大模型调用天气API实战

Agent是大模型连接现实世界的桥梁,其核心在于让LLM理解何时调用工具、如何构造指令并整合结果。原理上依赖提示工程(如ReAct框架)驱动模型生成Thought/Action/Observation循环,技术价值体现在解耦AI推理与外部系统交互,支撑智能客服、自动化运维等场景。本文聚焦最简可行路径:基于LangChain v0.1.x与本地Ollama部署的Llama3大模型,仅用12行有效代码实现端到端工具调用——用户输入自然语言,模型自动决策、生成参数、执行HTTP请求、解析响应并输出中文回答。全程离

weixin_29035147的博客 258
上一篇: Hono:一个文件跑起来的 Web 框架,实测三个接口
下一篇: DNS 报文拆解:12 字节头、域名标签和压缩指针,一次查询全解析
嗨起飞了
博客等级 码龄5年 269粉丝 42原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址