大家好，本篇内容主要基于LangChain的官方基本教程（https://python.langchain.com/v0.2/docs/tutorials/llm\_chain/），展示了如何使用LangChain，通过OpenRouter调用免费大模型，来让AI完成一个简单的翻译任务。
先放整体代码如下
from langchain_openai import ChatOpenAI
model = ChatOpenAI(
base_url="https://openrouter.ai/api/v1",
api_key="你的api key",
model="qwen/qwen-2-7b-instruct:free",
)
from langchain_core.messages import HumanMessage, SystemMessage
messages = [
SystemMessage(content="Translate the following from English into Chinese"),
HumanMessage(content="hi!"),
]
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
result = model.invoke(messages)
parser.invoke(result)
由于作者真萌新，且非程序员，有些编程术语、表述不够准确的请多见谅，能get到意思就行，欢迎大佬留言指正，帮助进步。
强推 Anaconda
首先，建议使用Anaconda Navigator来配置开发环境。
大白话地说，在编程过程中你会安装很多很多的包、库，各种教程会让你pip install 这个那个，就很容易乱。
而Anaconda Navigator作为一个有图形界面的工具，可以帮助我们学会为不同的项目创建相互隔离的开发环境，同时方便你对特定环境中已安装的包进行管理，最大程度地避免了乱七八糟的版本混乱，导致代码运行失败的问题（血泪教训）。
这是下载地址：
https://www.anaconda.com/download/success
这是基本教程：
https://docs.anaconda.com/navigator/getting-started/
Langchain的环境配置
装好Anaconda Navigator之后，注意严格按照教程，在你选定的开发环境中，通过终端安装LangChain的包。注意这时候就不是pip install了，而需要运行：
conda install langchain -c conda-forge
还需要安装langchain-openai，它是用来调用模型的。
conda install conda-forge::langchain-openai
btw，你可以在这个网站（https://anaconda.org/）中查找任何你想通过conda安装的包的具体指令。
环境配置好了之后，就可以正式进入编（复制）程（粘贴）环节。
该在哪写代码？
开始之前，先强烈建议使用jupyter notebook写代码（因为官方教程就是这么建议的），它可以实现让代码块一块一块地run，这样哪里出问题了一目了然，也非常方便调整代码块的前后顺序。
你可以直接在Anaconda Navigator的Home页找到它。
强推OpenRouter
接下来真正进入编程环节。首先，选定你想用的大模型（LLMs），除了OpenAI的模型外，LangChain目前还能直接支持Anthropic、Google、MistralAI等公司的主流模型。
但我真的非常建议使用OpenRouter来调用模型，一是方便，二是不需要魔法。（https://openrouter.ai/）
OpenRouter可以理解成一个LLMs的超市，它能提供几乎市面上所有LLMs的服务，包括各种免费的开源模型。
以下是在LangChain中通过OpenRouter调用指定模型的代码：
from langchain_openai import ChatOpenAI
model = ChatOpenAI(
base_url="https://openrouter.ai/api/v1",
api_key="你的api key",
model="qwen/qwen-2-7b-instruct:free",
)
上述代码实现了通过OpenRouter来调用通义千问的开源模型的效果，具体model的值可以在OpenRouter上获取，搜free会出来一大堆。
注意，这里教程直接使用的是ChatModels（可以看到引入的模块的名字是ChatOpenAI），也就是说，现在我们要让大模型完成的是“对话”任务。
因为是对话任务，我们需要先开口。
from langchain_core.messages import HumanMessage, SystemMessage
messages = [ SystemMessage(content="Translate the following from English into Chinese"), HumanMessage(content="hi!"), ]
上述代码就是我们对模型说的话：
SystemMessage函数的效果就是提供一个类似于设定的prompt，你可以在这里设定模型的任务、身份、背景等等
HumanMessage函数提供的是我们人类对模型说的话，模型在获得这个信息之后，会根据SystemMessage的设定来采取行动。
这里可以看到，我们在SystemMessage中把任务指定为了“translate”（英翻中）。
model.invoke(messages)
这段代码的意思就是用我们前面选好的模型，通过invoke方法来对我们说的话进行处理。如果把这个处理完的对象print出来，其实是一个AIMessage，里面包含了模型对我们的回复，大概是这样的感觉：
AIMessage(content='你好!', response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 20, 'total_tokens': 23}, 'model_name': 'qwen/qwen-2-7b-instruct:free', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-fc5d744c88-966615-4845b-a555c7-425444562c5-0')
可以看出，模型其实已经完成它的翻译任务了，即“你好！”，但为了便于阅读，让对话更像对话 ，我们还需要对模型的回答再做一步处理，剔出我们不需要的信息。
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
result = model.invoke(messages)
parser.invoke(result)
上述代码引用了一个StrOutputParser函数，它可以把AIMessage中我们真正需要的字符信息（你好）提取出来。
至此，一个简单的AI翻译任务就完成了。
但有趣的地方还没有结束。
LangChain为什么叫Chain，就是因为它有一个很有趣的特性:你可以使用管道符|把定义好的各种组件chain起来，然后随便调用。
以上面的代码为例，我们可以做一个模型调用与输出的chain，这样可以固定模型与输出要求方面的设定，只需要关注你要传给模型什么message就行了。
chain = model | parser
chain.invoke(messages)
这样做有什么好处呢，目前我还没有深入研究，但是我理解，比如我们可以针对任务的不同步骤，选择不同，但最适合的model和parser要求，来做很多个chain，由此形成一个多模型参与的workflow，这个思路，貌似也就是目前AI Agents开发方面的基本原理。