到目前为止我们都在用裸 openai SDK。它够用，但当应用变复杂——要管模板、要解析输出、要接检索、要串多个步骤——手写会越来越乱。LangChain 就是把这些环节标准化的框架。这一篇讲它最核心的三件套：模型接入、PromptTemplate（提示词模板）、LCEL（把步骤串成链），以及 OutputParser（输出解析）。顶部可切换 Python / Node.js。

本系列基于 LangChain 1.x（Python）/ LangChain.js 1.0（Node）。这是目前的最新大版本，接口和网上很多旧教程不一样，请以本文为准。

装依赖

我们继续用通义千问的 OpenAI 兼容接口，所以模型走 langchain-openai / @langchain/openai 这个适配包。

Python

# -U 是 --upgrade 的简写：把包装成最新版本（已经装过的会升级到最新）
pip install -U langchain langchain-openai

Node.js

npm install @langchain/core @langchain/openai

一、接入模型

LangChain 把「聊天模型」抽象成一个统一对象。因为通义千问兼容 OpenAI，我们用 ChatOpenAI，把地址指到百炼即可。注意两边传 base_url 的写法略有不同：Python 直接传 base_url，Node 放在 configuration.baseURL 里。

Python

import os
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="qwen-plus",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0,
)

# 最简单的一次调用：传入一段文本，拿到一个消息对象
resp = model.invoke("用一句话介绍 LangChain。")
print(resp.content)     # .content 才是文本

Node.js

import { ChatOpenAI } from "@langchain/openai";

const model = new ChatOpenAI({
  model: "qwen-plus",
  apiKey: process.env.DASHSCOPE_API_KEY,
  temperature: 0,
  configuration: {
    baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
  },
});

// 最简单的一次调用：传入一段文本，拿到一个消息对象
const resp = await model.invoke("用一句话介绍 LangChain。");
console.log(resp.content);   // .content 才是文本

注意 invoke 返回的是一个消息对象（AIMessage），文本在 .content 里，而不是像裸 SDK 那样深挖 choices[0].message.content。

二、PromptTemplate：把提示词做成模板

真实应用里，提示词往往是「固定框架 + 变量」。PromptTemplate 让你用 {变量} 占位，调用时再填值，避免手动拼字符串。

Python

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，回答尽量简洁。"),
    ("human", "请解释：{topic}"),
])

# 填入变量，得到最终的一组消息
messages = prompt.invoke({"role": "Python 老师", "topic": "什么是装饰器"})
print(messages)

Node.js

import { ChatPromptTemplate } from "@langchain/core/prompts";

const prompt = ChatPromptTemplate.fromMessages([
  ["system", "你是一个{role}，回答尽量简洁。"],
  ["human", "请解释：{topic}"],
]);

// 填入变量，得到最终的一组消息
const messages = await prompt.invoke({ role: "JS 老师", topic: "什么是闭包" });
console.log(messages);

每条消息前面的 system / human 就是角色，和第一篇讲的 messages 角色是同一回事，只是 LangChain 换了两个叫法：

• system：系统设定，定人设和规则（和裸 SDK 完全一样）。
• human：用户说的话，等同于裸 SDK 里的 user。
• ai：模型的回复，等同于裸 SDK 里的 assistant（多轮对话时才用到）。

也就是说，human = user、ai = assistant，含义没变，只是 LangChain 习惯用「human / ai」这套更口语化的命名。上面模板里 {role}、{topic} 这种花括号则是变量占位符，invoke 时用同名字段填进去——注意别把「消息角色」和「变量」搞混，前者是每条消息的身份，后者是模板里待填的空。

三、LCEL：用管道把步骤串起来

这是 LangChain 的精髓。LCEL（LangChain Expression Language）让你像搭水管一样，把「模板 → 模型 → 解析器」串成一条链：数据从左流到右。Python 用 | 运算符，Node 用 .pipe()。

这个 | 背后的原理——为什么组件能随意拼接、为什么串完就自带流式和批处理——我单独写了一篇深入讲解，想搞懂机制的话强烈推荐先看它：

🔗 深入：LCEL 链条原理详解 →

StrOutputParser / StringOutputParser 的作用是把模型返回的消息对象自动«拆»成纯文本字符串，省得每次自己取 .content。

Python

from langchain_core.output_parsers import StrOutputParser

chain = prompt | model | StrOutputParser()
#        模板   →  模型  →  取出纯文本

text = chain.invoke({"role": "Python 老师", "topic": "什么是装饰器"})
print(text)     # 直接就是字符串

Node.js

import { StringOutputParser } from "@langchain/core/output_parsers";

const chain = prompt.pipe(model).pipe(new StringOutputParser());
//            模板       →  模型   →       取出纯文本

const text = await chain.invoke({ role: "JS 老师", topic: "什么是闭包" });
console.log(text);   // 直接就是字符串

一旦串成链，它就自带 invoke（要结果）、stream（流式）、batch（批量）等能力。比如流式输出，只需把 invoke 换成 stream：

Python

for chunk in chain.stream({"role": "Python 老师", "topic": "什么是装饰器"}):
    print(chunk, end="", flush=True)   # 链已解析，chunk 直接是文本片段
print()

Node.js

const stream = await chain.stream({ role: "JS 老师", topic: "什么是闭包" });
for await (const chunk of stream) {
  process.stdout.write(chunk);   // 链已解析，chunk 直接是文本片段
}
process.stdout.write("\n");

对比第二篇里手写流式的代码，这里干净了很多——因为解析、拼接这些活儿链帮你干了。

四、JsonOutputParser：结构化输出更省心

上一篇我们手动 json.loads。LangChain 提供 JsonOutputParser，串进链里就能自动把模型输出解析成对象。

Python

from langchain_core.output_parsers import JsonOutputParser

json_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是信息抽取助手，只输出 json：{{\"city\": ..., \"temp\": ...}}"),
    ("human", "{text}"),
])
json_chain = json_prompt | model | JsonOutputParser()

data = json_chain.invoke({"text": "今天杭州 28 度。"})
print(data["city"], data["temp"])   # 已经是 dict

Node.js

import { JsonOutputParser } from "@langchain/core/output_parsers";

const jsonPrompt = ChatPromptTemplate.fromMessages([
  ["system", '你是信息抽取助手，只输出 json：{{"city": ..., "temp": ...}}'],
  ["human", "{text}"],
]);
const jsonChain = jsonPrompt.pipe(model).pipe(new JsonOutputParser());

const data = await jsonChain.invoke({ text: "今天杭州 28 度。" });
console.log(data.city, data.temp);   // 已经是对象

小坑：模板里如果要输出字面量的花括号（比如给模型看 JSON 例子），要写成双花括号 ，否则会被当成变量占位符。

小结与预告

这一篇你掌握了 LangChain 的骨架：模型（ChatOpenAI）→ 模板（PromptTemplate）→ 链（LCEL 的 | / .pipe()）→ 解析（OutputParser）。以后无论多复杂的应用，本质都是往这条链上加环节。

但现在这条链还是「一问一答、转身就忘」。下一篇《会话记忆》，我们给它接上记忆，让它能记住多轮对话——并且用比第二篇「手动维护 messages 列表」优雅得多的方式实现。