UE5多人联机开发：构建健壮的玩家生成系统与网络同步实践
2026/8/8 7:58:00
LangChain 入门
为什么要学 LangChain？
| 痛点 | LangChain 怎么帮 |
|---|---|
| Prompt 拼来拼去很乱 | ChatPromptTemplate 统一管理模板 |
| 调 API、解析返回值重复写 | ChatOpenAI 封装模型调用 |
| 多步骤（Prompt → LLM → 解析）硬编码 | Chain 用 | 管道串联 |
LangChain 是框架，底层还是 Prompt + LLM + 循环。
安装依赖
pipinstalllangchain langchain-openai langchain-core三个包分工：
| 包 | 作用 |
|---|---|
| langchain | 主包，常用入口 |
| langchain-openai | ChatOpenAI（兼容 DeepSeek 等 OpenAI 格式 API） |
| langchain-core | PromptTemplate、Chain、消息类型等核心抽象 |
ChatModel（ChatOpenAI）
对应手搓的 OpenAI client + chat.completions.create。
最小示例：
fromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="你的模型名",api_key="你的 key",base_url="你的 base_url",# DeepSeek 地址)# 直接调用（传入消息列表）response=llm.invoke("你好")print(response.content)# response 是 AIMessage 对象，不是 strinvoke 可以传字符串，也可以传消息列表。
PromptTemplate（ChatPromptTemplate）
把 Prompt 从代码里「抽出来」，用占位符填变量。
fromlangchain_core.promptsimportChatPromptTemplate,MessagesPlaceholder prompt=ChatPromptTemplate.from_messages([("system","你是一个简洁友好的助手，用中文回答。"),MessagesPlaceholder("history"),# 插槽，历史消息插在这里("human","{user_input}"),# {user_input} 是占位符])# 填变量，生成最终 messagesmessages=prompt.format_messages(user_input="什么是 Python？")# 结果类似：[SystemMessage(...), HumanMessage(...)]占位符命名规则：
MessagesPlaceholder("history")→ invoke 时传"history": history("{user_input}")→ invoke 时传"user_input": user_input
from_messages 里角色名
| 写法 | 等价 role |
|---|---|
| (“system”, “…”) | system |
| (“human”, “…”) | user |
| (“ai”, “…”) | assistant |
Chain（LCEL 管道）
LangChain 用 | 把步骤串成链：
fromlangchain_core.output_parsersimportStrOutputParser chain=prompt|llm|StrOutputParser()执行流程：
输入 dict → prompt 填模板 → llm 调 API → StrOutputParser 转成 str最小调用：
reply=chain.invoke({"user_input":"你好"})print(reply)# 直接是字符串，不用 .content什么时候用 Chain？
Chain（LCEL 管道）适合「固定、线性的数据流」：输入 → 格式化 → 调模型 → 解析输出，一步走完。
# 纯聊天，一次 invoke 就出最终文字reply=chain.invoke({"history":history,"user_input":user_input})| 特征 | 说明 |
|---|---|
| 单次调用 | 一次 invoke 就结束 |
| 无分支 | 不需要判断 tool_calls |
| 无循环 | 不需要「调模型 → 执行工具 → 再调模型」 |
| 可组合 | 想串多个步骤（prompt、llm、parser、后处理） |
多轮对话怎么接？
关键代码思路：每轮invoke时把当前history和user_input一并传入（key 名与模板占位符一致）；拿到reply后，将本轮的HumanMessage和AIMessage追加到history，下一轮循环自动带上。
fromlangchain_core.messagesimportHumanMessage,AIMessage history=[]# 存历史，不含 system（system 在 prompt 模板里）# 循环内：reply=chain.invoke({"history":history,"user_input":user_input})history.append(HumanMessage(content=user_input))history.append(AIMessage(content=reply))