# LangChain 概述：从大模型到智能体应用的桥梁 ##

2301_80809484

333人浏览 · 2026-07-16 23:10:59

2301_80809484 · 2026-07-16 23:10:59 发布

文章目录

一、为什么需要 LangChain？

1.1 从传统应用到智能体时代

软件开发正在经历一场深刻的范式转移——从传统应用走向智能体时代。传统应用依赖硬编码的规则和逻辑，而智能体时代则由大语言模型（LLM）驱动，能够理解自然语言、自主推理并动态执行任务。

1.2 单一大语言模型的局限性

尽管大语言模型能力强大，但单独使用时存在明显短板：

知识滞后：训练数据有截止日期，无法获取实时信息
幻觉问题：面对未知领域，模型可能编造看似合理但实际错误的答案
无法执行操作：模型只能生成文本，不能直接调用外部 API、查询数据库或操作文件
无状态记忆：多轮对话中容易"遗忘"上下文

所以，构建真正实用的 AI 应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合——这正是 LangChain 框架诞生的出发点。

1.3 LangChain 框架的定位

LangChain 作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。

核心定位三点：

定位	说明
打通大模型与外部资源	统一接口对接数据库、检索引擎、API、文件系统等
封装底层复杂逻辑	抽象工具调用、记忆等能力，降低智能体开发难度
支撑多智能体协作	依托 LangGraph 等生态，从单智能体拓展至多智能体协作，可构建工业级智能体

1.4 LangChain 的六大应用场景

场景	痛点	功能
检索增强生成（RAG）	知识滞后、幻觉问题	检索外部知识库并向量化，让模型基于最新资料回答
Agent 智能体构建	LLM 无法直接执行复杂任务	模型作为"推理引擎"，自主规划并动态调用外部工具
对话系统与聊天机器人	多轮对话"记忆"流失	集成记忆管理，记住用户偏好和历史交互
多模态应用开发	单一文本交互的限制	融合图像识别、语音转文字等技术，处理音视频和图片
自动化写作与格式化生成	内容格式不规范、质量不稳定	配合提示词模板与输出解析器，自动产出规范文档
数据连接与结构化处理	非结构化数据难以直接利用	从 PDF、Excel 中提取信息，或实现自然语言与 SQL 的转换

1.5 大模型相关岗位

在大模型产业链中，应用开发是最值得关注的方向——应用为王！学习 LangChain 框架，就是高效开发大模型应用的捷径。

二、LangChain 是什么？

2.1 发展时间线

LangChain 的发展可划分为五个阶段：

第1阶段：诞生（2022年10月）
  └─ 哈佛大学工程师 Harrison Chase 创建 LangChain
     名称来源于 "Language" + "Chain" 的组合
     核心理念：链接大语言模型与各种计算资源和数据

第2阶段：探索期（2022年Q4 — 2023年Q1）
  └─ 初版发布，聚焦 PromptTemplate、LLMChain 等基础模块
     GitHub Star 数快速破万，成为早期最受关注的大模型框架

第3阶段：体系化阶段（2023年Q2 — 2023年Q4）
  └─ 引入 Tool、Agent、Retrieval 等概念
     推出 LangChain Hub 与 LangSmith，构建开发-调试-部署生态闭环

第4阶段：平台化阶段（2024年 — 2025年上半年）
  └─ LangGraph 与 LangServe 发布
     从开发框架跃升为智能体平台

第5阶段：深层智能体阶段（2025年下半年至今）
  └─ 正式推出 Deep Agent（Agent Harness）
     进入多智能体复杂化系统新阶段

2.2 两个重要版本：v0.3 vs v1.x

LangChain v0.3：既爱又恨

LangChain 长期因 API 变动频繁被开发者戏称为"版本碎钞机"。2024 年的架构大变革中：

推出 LangGraph 作为底层智能体编排框架
原有链和智能体被标记为弃用
GPT-4 的 Function Calling、结构化输出等功能已成为模型基础功能，再用 LangChain 封装显得多此一举

这个阶段，LangChain 的开发者大规模流失。

LangChain v1.x：AI 开发新范式

经历阵痛后，LangChain 进行了彻底的架构重构与瘦身。

2025年10月20日：正式发布 LangChain v1.0.0 与 LangGraph v1.0.0
这是 AI 智能体开发领域的里程碑事件，标志着框架成熟和标准化
首次明确 API 稳定保证：承诺在 2.0 版本前无破坏性变更
同期完成 1.2 亿美元融资，估值超 12 亿美元

v0.3 与 v1.2 核心对比

维度	LangChain v0.3	LangChain v1.2
核心架构	过渡性版本，以链（Chain）为核心	生产级稳定版本，从"链式调用"到"智能体框架"的范式转变
Agent 构建方式	依赖 `initialize_agent` 等旧版 API，基于 `AgentExecutor` 硬编码	官方推荐 `create_agent` 作为标准构建入口，底层基于 LangGraph
工具定义	`@tool` 装饰器和 Tool 类，类型安全性较弱	支持 Pydantic Schema 定义工具，类型安全，参数定义更清晰
结构化输出	依赖 JSON Parser 和正则表达式，稳定性差	Structured Output 成为一等公民，直接绑定 Pydantic 类
输出解析	纯文本，需正则匹配解析，繁琐易出错	引入标准化的 `content_blocks`，统一推理、文本、工具调用
扩展机制	缺乏系统性扩展方式	引入 Middleware（中间件）系统，支持各生命周期拦截
多模态支持	支持不完善	完善多模态适配，支持多模态对话、多模态 RAG
异步性能	一般	优化后响应速度提升 30%+
包结构	模块耦合度高	主包轻量，旧功能迁移至 `langchain-classic`
Python 版本	>= 3.9	>= 3.10
推荐用途	维护老旧项目	所有新项目和学习首选

2.3 LangChain v1.2 的主要模块

langchain-core       ← 官方推荐的核心 API（Runnable, BaseMessage 等）
langchain-classic    ← 冗余或不推荐使用的经典 API（0.x 中常用而 1.x 移除的）
langchain-community  ← 第三方集成（langchain-openai, langchain-anthropic 等，按需安装）
langgraph            ← 深度整合 LangGraph 1.0，协调多个 Chain、Agent、Tools

学习建议：不要试图学完 LangChain 的所有 API——那是不可能的。搞懂核心逻辑与核心模块，其它的用到再查。把它当成一个工具箱，而不是一本教科书。

2.4 API 文档资源

资源	地址
官网	https://www.langchain.com/
GitHub	https://github.com/langchain-ai
中文文档	https://docs.langchain.org.cn/oss/python/langchain/overview
英文文档	https://docs.langchain.com/oss/python/langchain/overview
API 参考	https://reference.langchain.com/python/langchain/

三、LangChain 家族四大支柱

截至 2025 年，LangChain 已从一个独立开发框架，成长为覆盖智能体系统全生命周期的技术生态。该生态由四大核心支柱构成：

┌─────────────────────────────────────────────────────┐
│               LangChain 生态全景                      │
├─────────────┬──────────────┬──────────┬──────────────┤
│  LangChain  │  LangGraph   │Deep Agent│  LangSmith   │
│  基础能力层  │  运行时编排层  │智能体抽象层│  监控与评估层 │
└─────────────┴──────────────┴──────────┴──────────────┘

3.1 LangChain：智能体开发的基石

LangChain 是整个生态的核心与起点，为开发者提供模型调用、工具与中间件集成、智能体构建等一整套基础能力。

核心价值：

统一的模型抽象层：屏蔽不同模型服务提供商（OpenAI、Anthropic、Ollama 等）的接口差异，提供一致调用方式
高度模块化设计：使用 Message、Tool、Agent、Middleware 等组件实现灵活组合与扩展
丰富的集成生态：预置数据源、API、中间件等，构成强大的 AI 能力枢纽

如果需要构建简单的智能体应用，无需复杂编排——选择 LangChain 就够了。

3.2 LangGraph：复杂工作流的编排引擎

当智能体任务从单一指令执行扩展为多步骤、有状态的复杂工作流时，LangGraph 应运而生。

核心思想：将智能体内部抽象为一张有向图。

概念	说明
节点（Node）	代表独立的功能单元或决策点
边（Edge）	定义节点之间的流转条件与路径
状态（State）	共享上下文，在节点间传递并持久化存储任务信息

LangChain 与 LangGraph 的关系：

LangChain = 能力抽象层（LLM / Tool / Message 标准化）→ 负责"有什么能力"
LangGraph = 执行与编排层（状态机 / 工作流 / 多 Agent 系统）→ 负责"怎么跑"

官方建议：快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同。

3.3 Deep Agent：智能体的执行框架

Deep Agent 是新推出的组件，被定位为 Agent Harness（智能体执行框架）。它构建于 LangChain 与 LangGraph 之上，增加了规划能力、文件系统、子 Agent 等高级功能。

核心能力：

能力	说明
显式规划	自主生成、执行并动态调整多步任务计划
虚拟文件系统	为智能体提供结构化的中间结果与知识存储
子智能体	支持任务在多个智能体之间的分解与协作
长期记忆	通过 LangGraph 状态存储实现跨对话的经验积累
可扩展中间件	允许嵌入安全审计、性能监控或自定义业务逻辑

3.4 三者的关系

三个框架不是竞争关系，复杂项目完全可以同时用到三层：

LangChain 快速搭建 → LangGraph 打磨生产稳定性 → Deep Agent 赋予更强自主能力

这才是完整的 LangChain 生态玩法。

3.5 LangSmith：可视化监控与测试平台

当智能体系统逐渐复杂时，单靠日志和 print 调试已无法满足需求。LangSmith 是官方推出的可视化监控与测试平台。

核心目标：

全链路追踪：可视化追踪模型调用、提示词输入、结果输出、工具使用等行为
调试与优化：发现异常行为与性能瓶颈
评测与质量控制：支持人工与自动化评测，量化智能体表现
团队协作：多人共享测试集与调用记录

LangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环。
官网：https://www.langchain.com/langsmith

四、开发前的准备工作

4.1 前置知识

知识领域	具体内容
Python 基础语法	变量、流程控制、函数与参数机制、类与对象、装饰器
Python 常用工具	列表/元组/集合/字典、JSON 处理、异常处理、模块导入、包管理、线程与协程
大语言模型基础	了解 LLM、Token、Prompt、Embedding 等概念
模型 API 使用	OpenAI API 或其他提供商（Anthropic、阿里云百炼、DeepSeek 等）
大模型使用经验	通过浏览器或 App 使用过豆包、千问、DeepSeek 等

LangChain 生态支持 Python 和 JavaScript 实现，其中 Python 版本功能最完整、更新最及时、社区最活跃。

4.2 环境管理方案对比

工具	Python 解释器	Python 包	非 Python 依赖	适合场景
conda	✅	✅	✅	AI、深度学习、科学计算、复杂底层依赖（C/C++，CUDA）
uv	✅	✅	❌	纯 Python 项目、Web、Agent、RAG 应用层
venv	❌	✅	❌	简单项目、教学演示、轻量隔离

建议：优先 conda install，conda 没有的再用 pip install。对于 LangChain 这样的纯 Python 环境，uv 和 conda 均可。

4.3 安装步骤

1. 创建 conda 虚拟环境

LangChain v1.2 要求 Python >= 3.10，推荐使用 Python 3.13.12。

# 创建名为 langchain1.2 的环境，指定 Python 3.13.12
conda create --name langchain1.2 python=3.13.12

# 查看已安装的 Python 环境
conda env list

# 初始化虚拟环境（执行后重启命令行）
conda init

# 激活环境
conda activate langchain1.2

# 验证 Python 版本
python -V

2. 退出 / 删除环境

# 退出当前环境
conda deactivate

# 删除环境
conda remove --name langchain1.2 --all

3. 安装 LangChain

# 方式1：使用 conda（推荐）
conda install -c conda-forge langchain==1.2.12

# 方式2：使用 pip（国内镜像加速）
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 验证安装
python -c "import langchain; print(langchain.__version__)"

4. PyCharm 开发环境

推荐使用 PyCharm 作为专业 Python IDE，创建新工程时选择 Anaconda 环境作为 Python 解释器。

五、大模型应用场景介绍

大模型应用技术特点：门槛低，天花板高。

5.1 RAG 开发

背景

大模型知识冻结：训练成本与周期增加，模型无法实时学习最新信息，难以应对时间敏感问题
大模型幻觉：面对训练中从未学习过的信息，模型会臆想和编造答案

何为 RAG？

RAG（Retrieval-Augmented Generation，检索增强生成） 的核心流程：

                    ┌─────────────────────────────────────────┐
                    │            知识库构建阶段                  │
                    │                                         │
  本地文件 ──→ 数据加载器 ──→ 文本切分 ──→ 向量嵌入 ──→ 向量数据库 │
  (PDF/Word/    (Loader)     (Splitter)   (Embedding)  (Vector DB)│
   Excel/TXT)                                                   │
                    └─────────────────────────────────────────┘
                                        │
                    ┌─────────────────────────────────────────┐
                    │            检索问答阶段                    │
                    │                                         │
  用户提问 ──→ 向量嵌入 ──→ 相似度搜索 ──→ 检索结果作为上下文     │
                (Embedding)  (Similarity    (Context)          │
                              Search)          │                │
                                │              │                │
                                └──→ 提示词模板 ←┘                │
                                      (Prompt = Context + Query) │
                                            │                   │
                                      ┌─────┴─────┐             │
                                      │    LLM    │             │
                                      └─────┬─────┘             │
                                            │                   │
                                          回答 (Answer)          │
                    └─────────────────────────────────────────┘

检索-增强-生成三步走：

检索（Retrieval）：从向量数据库中搜索与用户问题最相似的知识片段
增强（Augmentation）：将检索到的知识作为上下文拼入提示词
生成（Generation）：LLM 基于增强后的提示词生成最终回答

RAG 的四大难点

难点	说明
文件解析	PDF 内部可能包含文件、图片、表格、图片上的文字，需要复杂处理
文件切割	没有固定格式，切分策略直接影响检索质量
知识检索	随文档数量增加，召回准确率会下降
知识重排序	引入 Reranker 对初步召回的 chunk 精排，提高准确率

Reranker 使用建议

适合：追求高精度和高相关性的场景，如专业知识库、客服系统
不适合：对响应时间要求高的服务（Reranker 会增加检索延迟）
成本权衡：比纯向量搜索 RAG 成本更高，但比仅靠 LLM 直接生成成本低

5.2 Agent 开发

充分利用 LLM 的推理决策能力，通过增加规划、记忆和工具调用的能力，构造能够独立思考、逐步完成目标的智能体。

Agent 的数学公式

Agent = LLM + Planning + Tools + Memory + Action

OpenAI 元老翁丽莲（Lilian Weng）于 2023 年 6 月首次提出了现代 AI Agent 架构。

通俗类比：打车去西藏

要素	类比	说明
大脑中枢	规划行程的你	LLM 作为决策中枢
规划	步骤1：规划路线 → 步骤2：订饭店酒店…	任务分解为子目标
工具调用	滴滴打车、携程、美团	调用 MCP 或 Function Calling 等 API
记忆	知道是去西藏，不能聊着聊着忘了	保持上下文一致性
行动	说走就走	实际执行操作

Agent 的五大核心要素

1. 大模型（LLM）—— “大脑”

提供推理、规划和知识理解能力，是 AI Agent 的决策中枢。能呈现推理和规划过程，应对未知任务。

2. 规划决策（Planning）

通过任务分解、反思与自省框架实现复杂任务处理。例如，利用思维链（Chain of Thought） 将目标拆解为子任务，并通过反馈优化策略。

3. 工具使用（Tool Use）

调用外部工具（如 API、数据库）扩展能力边界。

4. 记忆（Memory）

记忆类型	说明	示例
短期记忆	存储单次对话周期的上下文信息，受限于模型上下文窗口长度	ChatGPT 约 8k token；GPT-4 约 32k token；最新模型支持 100万~1000万 token
长期记忆	横跨多个会话或时间周期，存储并调用核心知识	用户偏好、过去执行过的指令等

长期记忆的实现方式：

模型参数微调（固化知识）
知识图谱（结构化语义网络）
向量数据库（相似性检索）

5. 行动（Action）

实际执行决策的模块，涵盖软件接口操作（如自动订票）和物理交互（如机器人搬运）。包括检索、推理、编程等。

5.3 大模型应用开发的四个场景

场景一：纯 Prompt

你一句，它回一句；你再说一句，它再回一句...

Prompt 是操作大模型的唯一接口。最简单直接，适合简单问答。

场景二：Agent + Function Calling

用户："我明天去杭州出差，要带伞吗？"
  → AI 让你先查天气预报
  → 你查完告诉 AI
  → AI 综合分析后告诉你是否带伞

Agent：AI 主动提要求
Function Calling：需要对接外部系统时，AI 要求执行某个函数

场景三：RAG（检索增强生成）

考试答题时，到书上找相关内容，再结合题目组成答案。

Embeddings：把文字转换为更易于相似度计算的向量编码
向量数据库：把向量存起来，方便查找
向量搜索：根据输入向量，找到最相似的向量

在智能客服领域应用最广泛。

场景四：Fine-tuning（精调/微调）

努力学习考试内容，长期记住，活学活用。

成本最高
在前面方式解决不了问题的情况下，再使用

六、技术方案选择指南

面对一个需求，如何选择技术方案？以下是常用思路：

                    ┌─────────────┐
                    │  有新需求了！  │
                    └──────┬──────┘
                           │
                    ┌──────▼──────┐
                    │ 纯 Prompt   │ ← 先试试直接问大模型
                    └──────┬──────┘
                           │ 不够用？
                    ┌──────▼──────┐
                    │ RAG         │ ← 需要领域知识补充
                    └──────┬──────┘
                           │ 还不够？
                    ┌──────▼──────┐
                    │ Agent +     │ ← 需要调用外部工具/系统
                    │ Function    │
                    │ Calling     │
                    └──────┬──────┘
                           │ 还不够？
                    ┌──────▼──────┐
                    │ Fine-tuning │ ← 成本最高，最后手段
                    └─────────────┘

选择原则：从简到繁，逐步升级。 优先用成本最低的方案解决问题，只有在当前方案无法满足时才升级到更复杂的方案。

总结

LangChain 已从最初的大模型应用框架，成长为覆盖智能体全生命周期的技术生态：

支柱	层级	核心职责
LangChain	基础能力层	模型调用、工具集成、智能体构建
LangGraph	运行时编排层	复杂工作流、状态管理、多 Agent 系统
Deep Agent	智能体抽象层	规划、虚拟文件系统、子智能体协作
LangSmith	监控与评估层	全链路追踪、调试优化、质量评测