第 1 节

2022 年底，ChatGPT 横空出世，让全世界看到了大语言模型（LLM）的能力。但很快开发者们发现一个尴尬的现实：单纯调用模型 API 远远不够。

你让它"总结这份 PDF"，它看不到文件；你让它"根据公司知识库回答客户问题"，它没有你的数据；你让它"帮我订一张去北京的机票"，它没有操作任何系统的权限。

也就是说，LLM 本身只是一个"聪明但失忆、且没有手脚的大脑"。要把它变成真正可用的产品——客服机器人、文档问答、自动化助手——你需要围绕它搭建大量的"脚手架"：

  • 把文档切块、向量化、存进数据库（RAG）
  • 管理多轮对话的历史记忆
  • 让模型能调用外部工具
  • 把多个处理步骤串成流水线
  • 随时切换不同的模型供应商

每一次都从零手写这些逻辑，既痛苦又重复。于是，LangChain 应运而生。

什么是 LangChain？

LangChain 是一个开源的、用于构建大语言模型应用（LLM Application）的开发框架，由 Harrison Chase 于 2022 年 10 月创建，如今已经成为 AI 应用开发领域事实上的标准之一（GitHub Star 数超过 12 万）。

它的核心设计理念可以概括为三句话：

  1. 标准化：把 LLM 应用开发中的高频需求抽象成统一接口；
  2. 模块化：每个能力都是独立积木，按需取用、自由组合；
  3. 可组合：用声明式的方式把积木拼装成完整的应用流程。

它提供 Python 和 JavaScript/TypeScript 两个版本，无论你熟悉哪个语言生态都能上手。

核心组件：八块积木

LangChain 官方文档中，生态被划分为多个子项目（LangChain Core、LangChain Community、LangGraph、LangSmith 等），其中日常开发最常打交道的核心组件有这些：

1. Models（模型）

统一封装了各种模型的调用接口，主要分三类：

  • LLM：传统的纯文本补全模型（text-in → text-out）；
  • Chat Models：对话式模型，输入消息列表，输出消息对象（主流，如 GPT-4o、Claude、DeepSeek）；
  • Embedding Models：把文本转为向量，用于检索和语义相似度计算。

得益于统一抽象，切换模型供应商时只需改一行配置：

Python
# 从 OpenAI 切换到任意兼容模型，只需换这里的实例from langchain_openai import ChatOpenAIllm = ChatOpenAI(model="gpt-4o")

2. Prompts（提示词）

提示词工程的工程化封装：支持模板变量、少样本示例（Few-shot）、消息角色（System / User / Assistant）等。

Python
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([    ("system", "你是一位专业的{field}顾问，回答要简洁专业。"),    ("user", "请帮我分析：{question}"),])
# 渲染后的消息可以直接传给模型

3. Chains 与 LCEL（链）

LCEL（LangChain Expression Language）是 LangChain 的声明式组合语法，用管道符 | 把多个组件串成流水线——这是 LangChain 最优雅的设计之一：

Python
chain = prompt | llm | output_parserresult = chain.invoke({"field": "投资", "question": "如何看待当前市场？"})

数据从左到右流过每个环节，清晰、可调试、可并行、可流式输出。

4. Retrievers 与 Vector Stores（检索与向量库）

这是 RAG（检索增强生成） 的基石。流程是：

  1. 文档切块（Splitter）；
  2. 用 Embedding 模型向量化；
  3. 存入向量数据库（如 Chroma、Pinecone、FAISS、Milvus）；
  4. 用户提问时，检索最相关的片段；
  5. 把片段拼进提示词，让模型"基于资料"回答。
Python
from langchain_community.vectorstores import FAISS
# 假设 docs 已经切块并向量化vectorstore = FAISS.from_documents(docs, embeddings)retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

5. Agents（智能体）

让 LLM 从"被动回答"进化为"主动行动"：模型根据任务自主决定调用哪个工具、按什么顺序、何时结束。

Python
from langchain.agents import create_tool_calling_agent, AgentExecutor
# 给模型配备工具：搜索、计算器、查天气……tools = [search_tool, calculator_tool, weather_tool]agent = create_tool_calling_agent(llm, tools, prompt)executor = AgentExecutor(agent=agent, tools=tools)

6. Memory（记忆）

对话式应用必备：保存历史消息、摘要对话、按需注入上下文。支持简单缓冲、滑动窗口、摘要记忆等多种策略。

7. Tools（工具）

任何外部能力都可以包装成 Tool：调用 REST API、执行 SQL、读写文件、调用搜索引擎……把"模型的手脚"接上。

8. Callbacks 与 Tracing（回调与追踪）

监控每一轮调用的输入输出、耗时、Token 消耗，方便调试与线上观测。

一个完整的入门示例

下面是一个"文档问答机器人"的最小实现，串起了上面大部分组件：

Python
from langchain_openai import ChatOpenAI, OpenAIEmbeddingsfrom langchain_community.document_loaders import PyPDFLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_community.vectorstores import FAISSfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParser
# 1. 加载并切分文档loader = PyPDFLoader("company_manual.pdf")docs = loader.load()splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)chunks = splitter.split_documents(docs)
# 2. 向量化并存入向量库embeddings = OpenAIEmbeddings()vectorstore = FAISS.from_documents(chunks, embeddings)retriever = vectorstore.as_retriever()
# 3. 组装 RAG 链prompt = ChatPromptTemplate.from_template(    "仅根据以下资料回答用户问题，不要编造：\n\n{context}\n\n问题：{question}")llm = ChatOpenAI(model="gpt-4o")
def format_docs(docs):    return "\n\n".join(d.text for d in docs)
rag_chain = (    {"context": retriever | format_docs, "question": lambda x: x["question"]}    | prompt    | llm    | StrOutputParser())
# 4. 提问print(rag_chain.invoke({"question": "年假政策是怎样的？"}))

LangChain 生态全家桶

现在的 LangChain 早已不止一个库，而是一整套生态：

项目定位
LangChain Core核心抽象：接口、消息、输出解析等
LangChain链、代理、检索等高层组件
LangChain Community数百种第三方集成（向量库、工具、模型）
LangGraph用图（Graph）编排有状态、复杂的 Agent 工作流，官方推荐的 Agent 生产级方案
LangSmith商业化的调试、监控、评测平台

常见疑问与避坑指南

Q1：LangChain 和 LangGraph 是什么关系？ LangGraph 是 LangChain 官方推出的新一代编排引擎，面向复杂 Agent 和有状态流程。简单线性任务用 Chain 就够了，复杂分支、循环、人机协作建议直接用 LangGraph。

Q2：学 LangChain 还是直接用原生 SDK？ 如果只是单次调用，原生 SDK 更轻；一旦涉及 RAG、Agent、多工具、多模型切换，LangChain 的抽象能显著减少重复代码。生产环境也可考虑 langchain + langgraph 组合。

Q3：为什么网上教程经常报错？ LangChain 迭代极快，API 变动频繁（尤其 0.1 → 0.2 → 0.3 → 1.x）。建议以官方文档为准，注意教程对应的版本，优先使用较新版本。

Q4：有没有替代品？ 有，比如 LlamaIndex（专注 RAG 与数据）、Haystack、以及各大厂商自己的 SDK。选型取决于场景：数据密集型选 LlamaIndex，通用编排与 Agent 选 LangChain。

LangChain 真正带来的价值，不是某个炫酷的 API，而是一套思考 LLM 应用的框架：把"模型、提示词、数据、工具、记忆、流程"当作可以自由组合的积木。

理解了这八个核心组件，你就掌握了绝大多数 LLM 应用的骨架。剩下的，就是挑选合适的积木，搭出属于你的应用。

正在加载
知归

更新于 2026.08.30，之后有变化再补。