Phase 1 · 第一个 Chain

本章用最小代码跑通一个 LangChain 应用，建立 Model I/O 三件套的心智模型。

Model I/O 三件套 / The Model I/O Triad

PromptTemplate  ──▶  ChatModel  ──▶  Output
   (输入模板)          (大模型)        (模型回复)

• PromptTemplate：把变量填进固定的提示词模板，生成发给模型的消息。
• ChatModel：真正调用大模型（通过 examples/common/llm.py 抽象，可切换 OpenAI / DeepSeek / Ollama）。
• Output：模型返回的内容（response.content）。

代码走读 / Code Walkthrough

examples/p1/hello_chain.py：

from langchain_core.prompts import ChatPromptTemplate
from examples.common.llm import get_chat_model

def main() -> None:
    model = get_chat_model()                       # 取模型（按 .env 切换）
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个乐于助人的助手，用一句话回答。"),
        ("user", "用一句话解释什么是 {concept}。"),
    ])
    chain = prompt | model                         # 用管道符组合
    response = chain.invoke({"concept": "状态图（StateGraph）"})
    print(response.content)

关键点：

• prompt | model 是 LangChain 的 LCEL 管道语法，把两步串成一个可执行单元。
• {concept} 是模板变量，由 invoke({"concept": ...}) 注入。

运行 / Run

# 确保已激活虚拟环境并装好依赖、配置 .env
python -m examples.p1.hello_chain

预期输出（示例）：

状态图（StateGraph）是 LangGraph 中用节点和边描述 Agent 执行流程的一种结构。

小结 / Takeaway

你已经跑通了第一个 Chain。记住这条主线：提示词模板 → 模型 → 输出，后面所有可能的复杂 Agent，都是在这条主线上不断加「节点」和「边」。

下一章（Phase 2）我们将学习如何把多个 Chain 组合、加入记忆与检索。

扩展示例 / Extra Example

流式输出（examples/p1/streaming.py）

演示非流式与流式两种调用方式，让你直观看到「模型是一点一点吐字」的底层行为。

python -m examples.p1.streaming