如果你正在探索如何用大语言模型（LLM）构建实际应用，LangChain 大概率是你绕不开的框架。2023 年开源至今，它已经成为 LLM 应用开发领域最活跃的生态之一。

但很多开发者第一次打开 LangChain 文档时，会被一堆概念淹没——Chain、Agent、Memory、Retriever……到底该怎么上手？

这篇文章帮你理清 LangChain 的核心概念，给出实用的上手建议。

---

一、LangChain 是什么？

一句话：LangChain 是一个让大语言模型"能做事"的框架。

单独的 LLM 只能做文本生成。但现实中的应用需要它：查数据库、调 API、读文件、记住上下文、按流程执行多步任务。LangChain 提供了一套标准化的抽象层，把这些能力组装起来。

它的核心价值不是"让模型更聪明"，而是让模型和外部世界连接起来。

---

二、五个核心概念

1. Models（模型层）

LangChain 对接了几乎所有主流 LLM 提供商——OpenAI、Anthropic、Google、本地模型等。统一的接口意味着你可以一行代码切换底层模型：

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

llm = ChatOpenAI(model="gpt-4o")
# 切换到 Claude 只需：
llm = ChatAnthropic(model="claude-sonnet-4-20250514")

实用建议： 先用便宜模型（如 GPT-4o-mini）跑通流程，再换强模型调效果。

2. Prompts（提示词模板）

把用户输入、上下文信息、系统指令模板化：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，请用{style}的方式回答"),
    ("user", "{question}")
])

实用建议： 别把提示词硬编码在代码里。用模板变量，方便 A/B 测试和迭代。

3. Chains（链）

把模型、提示词、输出解析器串成流水线。最简单的链：

from langchain_core.output_parsers import StrOutputParser

chain = prompt | llm | StrOutputParser()
result = chain.invoke({"role": "Python 专家", "style": "简洁", "question": "怎么读 CSV？"})

这里的 | 是 LangChain 的 LCEL（LangChain Expression Language），语法类似 Unix 管道。

实用建议： 简单任务用 LCEL 管道就够了，别上来就用复杂的 Chain 类。

4. Memory（记忆）

让对话有上下文。LangChain 提供多种记忆策略：

• ConversationBufferMemory：保留全部对话历史（简单但费 token）

• ConversationSummaryMemory：自动摘要历史（省 token）

• ConversationBufferWindowMemory：只保留最近 N 轮

实用建议： 生产环境用摘要记忆或窗口记忆，全量记忆在长对话下会撑爆上下文窗口。

5. Agents（智能体）

让 LLM 自己决定调用什么工具、按什么顺序执行。这是 LangChain 最强大的能力：

from langchain.agents import create_tool_calling_agent, AgentExecutor

tools = [search_tool, calculator_tool, sql_tool]
agent = create_tool_calling_agent(llm, prompt, tools)
executor = AgentExecutor(agent=agent, tools=tools)

实用建议： Agent 的自由度越高，越难控制。给它精简的工具集，而不是什么都塞进去。

---

三、LangChain 擅长什么场景？

场景	适合度	说明
RAG 文档问答	非常适合	成熟的 Retriever + Chain 方案
对话机器人	非常适合	Memory 模块开箱即用
数据提取/结构化输出	适合	OutputParser 支持 JSON、Pydantic
多步工作流	一般	复杂流程建议看 LangGraph
多智能体协作	一般	推荐用 LangGraph

---

四、新手常踩的三个坑

坑 1：过度封装。 LangChain 的抽象层很多，但不是每个都需要用。简单任务直接调 API 更清晰。

坑 2：忽视错误处理。 LLM 调用可能超时、返回格式错误、触发速率限制。务必加 try/except 和重试逻辑。

坑 3：调试困难。 建议开启 LangSmith 追踪（LangChain 官方的可观测性工具），能看到每一步的输入输出。

---

五、快速上手建议

1. 先跑通一个最简单的 Chain（提示词 + 模型 + 输出解析）

2. 加一个工具，让 Agent 能搜索或查数据库

3. 接入 LangSmith 做调试

4. 需要复杂流程时，迁移到 LangGraph

LangChain 不是万能的，但它是目前 LLM 应用开发中最成熟的"脚手架"。理解了它的核心概念，再看生态里的其他工具会轻松很多。