在前一篇文章中，我们已初步体验了LangChain的基础调用方法。然而，LangChain的真正价值远不止于此——它能够将多个AI组件封装为可执行的链式任务，实现复杂流程的自动化编排。就像把一个个独立零件组装成高效流水线，让大模型依次完成每一步操作，无需人工干预。

一、构造大模型实例

在开始之前，先导入所需的工具模块。这里需要引入LangChain的OllamaLLM模块，从而与本地运行的Ollama大模型建立连接：

from langchain_ollama import OllamaLLM

接下来，创建一个OllamaLLM实例。其中model参数是必填项，用于指定要加载的大模型名称，例如：

# 连接本地离线大模型（Ollama）
llm = OllamaLLM(model="qwen2:1.5b")

除model外，OllamaLLM还提供了多个可选参数，方便开发者根据实际应用场景灵活调整模型行为。以下是几个核心参数的详细说明：

• model：模型名称，例如"qwen:7b"、"llama3"、"deepseek-r1"等。
• base_url：服务地址，默认本地地址为"http://localhost:11434"。
• temperature：模型温度，即随机性。取值范围0~1，默认0.8。值越低，回答越严谨、确定；值越高，回答越具创意和跳跃性。
• num_ctx：上下文Token的最大数量，默认2048。值越大，模型能记住的对话内容越长。
• num_predict：回答内容Token的最大数量，默认128。设置为-1表示不限制输出长度，-2表示填满整个上下文。
• keep_alive：模型在内存中常驻的时长，频繁调用时建议开启。默认"5m"表示5分钟，"-1"表示永久常驻，"0"表示用完即关。
• validate_model_on_init：初始化时是否校验模型是否存在，默认True表示启动时检查。

举例来说，以下代码创建了一个定制了多个参数的大模型实例：

llm = OllamaLLM(
    model="qwen2:1.5b",
    base_url="http://localhost:11434",
    temperature=0.7,
    num_ctx=4096,
    num_predict=1024,
    keep_alive="-1",
    validate_model_on_init=True
)

二、构建提示词模板

导入PromptTemplate模块，这是构建提示词模板的核心工具：

from langchain_core.prompts import PromptTemplate

PromptTemplate的from_template方法接受一个字符串作为模板。字符串开头是提示词内容，末尾用{input}占位，表示用户输入的问题将在此处插入。

例如，以下代码构建了一个简单的提示词模板：

prompt = PromptTemplate.from_template("""
    你是专业助手，请简洁回答：
    {input}
""")

提示词的第一句“你是专业助手，请简洁回答”为模型划定了回答风格——简明扼要，避免冗长。后面的{input}是占位符，实际调用时会将用户输入的问题替换进去。

三、组装 AI 执行链

为什么LangChain要引入“执行链”这一概念？这需要从传统调用方式说起。按照程序设计顺序控制流程，每次接口调用都需要经历三步：封装请求内容→执行接口调用→解析应答内容，写成代码大致如下：

# 无链 → 手写每一步，巨繁琐！
prompt_text = prompt.format(input="你的问题")    # 1 手动拼模板
response = llm.invoke(prompt_text)               # 2 手动调模型
result = parser.parse(response)                  # 3 手动解析

可以看到，虽然上一行代码的输出就是下一行代码的输入，但每次都需要拆成三个语句依次调用，非常繁琐。

LangChain的执行链正是为解决这一痛点而设计。它将“构建提示词、调用模型、记忆（可选）、检索（可选）、解析应答”等操作，按顺序串联成一条自动流水线。只需一次性启动组装好的执行链，LangChain就会自动完成全流程，无需再写多条语句。

组装执行链之前，先导入所需的工具包：

from langchain_core.runnables import RunnableSequence
from langchain_core.output_parsers import StrOutputParser

然后，用RunnableSequence将三个操作串联起来：

chain = RunnableSequence(
    prompt
    | llm
    | StrOutputParser()
)

实际上，RunnableSequence这个类名完全可以省略，直接用管道操作符|连接各环节，代码更简洁：

chain = (
    prompt
    | llm
    | StrOutputParser()
)

甚至还能进一步简化，去掉外围的圆括号，变成一行代码：

chain = prompt | llm | StrOutputParser()

这样一来，组装过程中所有方法调用和参数传递都消失了，只剩下各环节的实例名称，代码量大幅减少，可读性也显著提升。

四、通过执行链调用离线大模型

现在，将前面三步串联起来，实现一个完整的AI对话功能。

首先，在命令行执行下面的pip安装命令，确保所有依赖包都已安装：

pip install langchain langchain-core langchain-ollama

接着，启动Ollama并加载离线大模型：

ollama serve

然后，编写下面的Python聊天测试代码，让用户在控制台输入问题，实现实时交互：

from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_ollama import OllamaLLM

def main():
    # 1. 连接本地Ollama离线模型，替换成你本地模型名
    llm = OllamaLLM(
        model="qwen2:1.5b",
        base_url="http://127.0.0.1:11434",
        temperature=0.7  # 随机性 0严谨~1创意
    )

    # 2. 构建对话模板
    prompt = PromptTemplate.from_template("""
        你是专业助手，请简洁回答：
        {input}
    """)

    # 3. 组装执行链
    chain = prompt | llm | StrOutputParser()

    # 4. 循环问答聊天
    print("===== 离线AI聊天助手（输入exit退出）=====")
    while True:
        user_text = input("请输入问题：")
        if user_text.lower() in ["exit", "quit", "退出"]:
            print("对话结束")
            break
        print("AI思考中...")
        response = chain.invoke(user_text)
        print(f"AI回复：{response}n")

if __name__ == "__main__":
    main()

运行这段代码，根据提示输入问题“LangChain是什么？”，输出结果如下：

===== 离线AI聊天助手（输入exit退出）=====
请输入问题：LangChain是什么？
AI思考中...
AI回复：Langchain 是一个基于 PyTorch 的开源语言模型推理框架，用于构建和训练大型的预训练模型。它提供了一个简单的 API 来处理输入数据，然后返回文本或代码作为输出。

通过调用LangChain的执行链，一个简单的AI对话功能已经跑通。接下来，我们还将继续探索如何给AI对话添加记忆功能，让模型能够记住上下文，实现更自然、连贯的连续对话。