LangChain 概述：给大模型装上“手脚“的框架，到底怎么用？

LangChain 概述LangChain 是一个用于构建 大语言模型LLM应用的开源框架通过模块化设计将 Prompt、Model、Memory、Chain、Agent、Tool 等核心组件有机组合使开发者能够快速构建复杂的 AI 应用。以下覆盖 LangChain 的框架定位、核心设计理念、版本演进以及生态系统。概念速览一、LangChain 是什么1.1 框架定位通俗理解如果把 LLM 比作一个聪明的大脑那么 LangChain 就是给这个大脑装上「手脚」的框架。光有大脑只能思考聊天装上手脚才能真正做事——查天气、搜网页、读文件、调用公司内部系统。LangChain 的官方定位是 构建基于大语言模型的智能体和应用程序的最简单方式 。LangChain 解决的核心问题 1.2 LangChain 能做什么通俗理解光靠 ChatGPT 只能聊天但通过 LangChain你可以让 AI 查天气、搜网页、读文件、写代码、调用公司内部 API甚至自己决定该做什么。典型应用场景 二、核心设计理念2.1 模块化像搭积木一样构建应用通俗理解LangChain 把构建 AI 应用所需的各种能力拆成了一块块「积木」你可以根据需求自由组合。需要记忆加上 Memory 积木。需要搜索加上 Retriever 积木。这种设计让开发变得灵活且可维护。LangChain 的核心设计哲学是 模块化Modular、可组合Composable、可扩展Extensible 。模块化的好处 2.2 可组合用管道操作符串联流程LangChain 引入了 LCELLangChain Expression Language 使用管道操作符|将组件串联代码简洁直观# LCEL 风格声明式、可读性强 chain prompt | model | parser # 等价于传统写法 def chain(input): formatted prompt.format(input) response model.invoke(formatted) result parser.parse(response) return result关键理解LCEL 的核心是 Runnable 协议所有组件都实现了统一的invoke/batch/stream/ainvoke接口这使得组件可以像水管一样自由连接。2.3 可扩展统一接口屏蔽厂商差异通俗理解无论你用 OpenAI、Claude、通义千问还是本地模型LangChain 都提供统一的调用方式。就像用 USB 接口一样不管插什么设备接口都是一样的。统一接口的价值 避免厂商锁定 随时切换模型提供商降低学习成本 学一套 API适用所有模型简化代码维护 切换模型只需改一行配置三、版本演进3.1 版本历史概览版本说明截至 2026 年 2 月LangChain 当前版本为 v1.2.8。3.2 各版本重点变化3.3 v1.0 重要更新Agent 创建方式的变化 # v1.0 推荐方式统一 create_agent API底层基于 LangGraph from langchain.agents import create_agent from langchain_core.tools import tool tool def get_weather(city: str) - str: 获取城市天气信息 weather_db { 北京: 晴天15-25°C, 上海: 多云18-28°C, } return weather_db.get(city, f{city}的天气暂不可用) # 创建 Agent agent create_agent( modelllm, tools[get_weather], system_prompt你是一个智能助手可以查询天气信息。 ) # 调用 result agent.invoke({ messages: [{role: user, content: 北京天气怎么样}] })关键理解v0.3 的 Agent 底层基于 LangGraph 实现获得了持久化执行、流式传输、人机协作等高级能力。四、生态系统4.1 包结构全景通俗理解LangChain 把功能拆成了多个独立的包就像乐高积木分成不同系列。核心包是必须的集成包按需安装这样既保持轻量又能灵活扩展。4.2 核心包说明注意langserve已被官方建议弃用新项目推荐使用 LangGraph Platform 进行 API 服务部署。4.3 LangGraphAgent 的底层引擎LangChain 官方将产品分为三个层级Deep Agents开箱即用的高级 Agent→ LangChain快速构建 Agent 和应用→ LangGraph底层编排框架。简单应用用 LangChain复杂工作流用 LangGraph。LangChain 产品层级选择建议 4.4 LangSmith生产环境的守护者通俗理解LangSmith 就像 LLM 应用的「监控摄像头」它能记录每一次调用的完整过程帮你定位问题、优化性能、评估质量。在生产环境中没有可观测性就像盲人摸象。LangSmith 核心功能 启用 LangSmith import os # 在代码最前面添加 os.environ[LANGCHAIN_TRACING_V2] true os.environ[LANGCHAIN_API_KEY] 你的 LangSmith API Key # 然后正常使用 LangChain追踪自动开启五、快速示例5.1 环境搭建# 创建虚拟环境推荐 python -m venv langchain_env source langchain_env/bin/activate # Mac/Linux # langchain_env/Scripts/activate # Windows # 安装核心包 pip install langchain langchain-core # 根据使用的模型安装对应包 pip install langchain-openai # OpenAI pip install langchain-anthropic # Claude pip install dashscope # 通义千问 # Agent 必装v0.3 基于 LangGraph pip install langgraph # 可选环境变量管理 pip install python-dotenv5.2 配置 API Key创建.env文件# OpenAI OPENAI_API_KEYsk-xxx # 通义千问 DASHSCOPE_API_KEYsk-xxx # Claude ANTHROPIC_API_KEYsk-xxx # LangSmith可选 LANGCHAIN_TRACING_V2true LANGCHAIN_API_KEYxxx5.3 第一个 LangChain 应用from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser load_dotenv() # 1. 初始化模型 model ChatOpenAI(modelgpt-4) # 2. 定义 Prompt 模板 prompt ChatPromptTemplate.from_messages([ (system, 你是一位{role}擅长用简洁易懂的方式解释概念。), (human, 请解释{concept}) ]) # 3. 定义输出解析器 parser StrOutputParser() # 4. 用 LCEL 组合成 Chain chain prompt | model | parser # 5. 调用 result chain.invoke({ role: 物理学教授, concept: 量子纠缠 }) print(result)4.4 第一个 Agentfrom langchain.agents import create_agent from langchain_core.tools import tool from langchain_openai import ChatOpenAI # 1. 定义工具 tool def get_weather(city: str) - str: 获取城市天气信息 weather_db { 北京: 晴天15-25°C, 上海: 多云18-28°C, } return weather_db.get(city, f{city}的天气暂不可用) # 2. 初始化模型 llm ChatOpenAI(modelgpt-4) # 3. 创建 Agent agent create_agent( modelllm, tools[get_weather], system_prompt你是一个智能助手可以查询天气信息。 ) # 4. 调用 result agent.invoke({ messages: [{role: user, content: 北京天气怎么样}] }) print(result[messages][-1].content)关键要点回顾1. LangChain 是智能体工程平台 让大模型能够调用工具、访问数据、执行任务而不只是聊天2. 模块化设计是核心 组件独立可用、自由组合、易于替换像搭积木一样构建应用3. LCEL 是推荐的编程范式 使用管道操作符|声明式组合组件代码简洁可读4. v0.3 深度整合 LangGraph Agent 底层基于 LangGraph获得状态管理、人机协作等高级能力5. 生态系统分层清晰 core核心抽象→ langchain高层封装→ community/integrations集成→ langgraph运行时→ langsmith平台这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容