目录

前言

一、为什么我们需要LangChain？

1.原生LLM API 开发的现实痛点

2.原生API与LangChain极简代码对比

3.LangChain 核心价值总结

二、LangChain 完整介绍

1.定义与发展背景

2.LangChain 主流落地场景

3.LangChain 三层生态：LangGraph / LangChain / Deep Agents

4.LangChain三层核心架构

5.模块协作实例：企业文档问答机器人

三、标准化环境准备

1.工具选型说明：venv /conda/uv

2 LangChain 分包结构（按需安装，不冗余）

4.创建项目并安装LangChain依赖

5.项目文件说明

6.主流大模型平台选型指南

7 .env 环境变量配置（禁止硬编码密钥）

8 验证 LangChain 安装成功

四、第一个 LangChain 运行 Demo

五、总结

---

前言

随着大模型 API 普及，很多开发者直接调用 OpenAI、DeepSeek 等厂商接口开发 AI 应用，但落地过程中会大量重复编写对话管理、文档检索、工具调用、多步骤逻辑等胶水代码。LangChain 作为当前最主流的 LLM 应用开发开源框架，提供标准化组件、统一模型调用接口、完整 RAG/Agent 能力，大幅降低大模型工程化成本。

本文基于官方最新 v1.x 版本，结合 uv 现代化 Python 工具链，完整讲解 LangChain 核心概念、生态分层、环境搭建流程，并提供可直接运行的入门 Demo，适合零基础开发者快速上手。

一、为什么我们需要LangChain？

1.原生LLM API 开发的现实痛点

仅直接调用厂商API，各类业务需求都需要从零开发，重复造轮子：

想要实现功能	纯原生API需要手动开发
多轮对话、长期上下文记忆	手动维护消息列表、控制 Token 长度、处理会话状态
企业私有文档问答（RAG）	自行实现文档加载、文本分割、向量存储、相似度检索
模型调用外部工具（计算机/数据库/联网）	自定义函数 Schema、解析模型工具返回 JSON、异常捕获
复杂多步骤自主任务	手写循环、状态机、重试逻辑，自研 Agent 调度架构
强制模型输出标准JSON	编写正则、自定义解析器，兼容模型输出不规范场景
切换底层大模型（GPT -> DeepSeek -> Claude）	重构接口地址、参数、消息解析逻辑，几乎重写代码

单一功能开发难度不高，但多需求叠加后，80% 开发时间消耗在底层通用逻辑，而非业务本身。

2.原生API与LangChain极简代码对比

方式1：原生OpenAI API（冗余繁琐）

import openai
# 需自行处理消息、流式、工具、记忆等全部逻辑
response = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "你好"}]
)
print(response.choices[0].message.content)

方式 2：LangChain 统一接口（简洁通用）

from langchain_openai import ChatOpenAI
# 统一接口，支持流式、异步、批量，换模型仅修改一行配置
llm = ChatOpenAI(model="gpt-4")
response = llm.invoke("你好")
print(response.content)

简单问答差距不明显，一旦叠加记忆、RAG、工具调用，原生 API 代码量会指数级膨胀，LangChain 始终保持简洁统一的开发范式。

3.LangChain 核心价值总结

核心优势	详细说明
避免重复造轮子	对话管理、RAG全链路、工具调用、输出解析均提供开箱即用组件
模型无感切换	一套标准接口兼容 70 + 模型厂商，切换模型仅修改配置
聚焦业务开发	底层消息拼接、参数兼容、异常容错全部由框架封装
完善生态体系	100 + 内置工具、50 + 向量数据库原生集成
可视化调试排错	配套 LangSmith 平台，全链路追踪模型、工具、检索执行流程

一句话总结：LangChain 帮开发者从「对接 API 底层细节」转向「实现 AI 业务产品逻辑」。

二、LangChain 完整介绍

1.定义与发展背景

LangChain 是 2022 年 10 月由 Harrison Chase 开源的 LLM 应用开发框架，发布时间早于 ChatGPT（2022 年 11 月），提前布局大模型应用赛道，如今已是行业标准开发工具。

官方定位：构建大语言模型驱动应用最简单的方式，少量代码即可对接全球主流大模型，内置成熟 Agent、RAG 架构，快速落地 AI 程序。

官方资源地址：

• GitHub：https://github.com/langchain-ai/langchain
• 官网：https://www.langchain.com/
• 文档：https://docs.langchain.com/

2.LangChain 主流落地场景

框架针对前文所有开发痛点提供标准化解决方案，覆盖绝大多数企业 AI 需求：

应用场景	框架能力支持	典型落地产品
Agent 智能代理	内置 ReAct、Tool Calling 架构，自主规划任务、调用工具	自动化办公助手、多步骤任务机器人
RAG 检索增强生成	DocumentLoader→文本分割→向量库→检索器完整链路	企业知识库问答、合同 / 文档解析工具
工具调用	@tool 装饰器快速自定义工具，模型自动识别调用	天气查询、计算器、数据库查询、API访问
智能问答系统	检索 + 模型组合，精准回答私有文档内容	企业客服、内部知识问答平台
多智能体协作	多Agent分工配合，拆解复杂长周期任务	项目流程管理、多维度综合决策系统

3.LangChain 三层生态：LangGraph / LangChain / Deep Agents

LangChain并非独立库，整套生态分为三层，逐层依赖，按需选用：

1.LangGraph（运行时）：底层，基于图结构精确管控工作流，支持状态持久、人工审核、流程回滚，控制力最强，适合企业级复杂编排；

2.LangChain（框架）：中层，本课程核心，标准化组件自由组装，平衡灵活性与上手难度，通用RAG、Agent 开发首选；

3.Deep Agents（套件）：上层，开箱即用封装最实践，内置规划、对话压缩能力，上手最简单，适合快速搭建简易自主智能体。

三者核心对比

维度	LangGraph	LangChain	Deep Agents
定位	Agent底层运行时	通过LLM应用开发框架	一站式Agent开发套件
流程控制权	完全自定义节点流转	组建自由组合	LLM自主决策流程
上手难度	高，需掌握图、状态管理	中等，十行代码即可运行	极低，开箱即用
适用场景	强管控业务、人工审批、分支流程	RAG、自定义工具链、通用Agent	快速搭建简易自主智能体
Token消耗	可控	中等	偏高（内置规划压缩）

选型指南

• 快速搭建简易智能体，不想关注底层架构 → Deep Agents
• 自定义 RAG、工具链、灵活组合业务流程（本文学习路线）→ LangChain
• 需要精确管控每一步流程、人工介入、流程回滚 → LangGraph

4.LangChain三层核心架构

整体分为基础层、能力层、应用层，下层为上层提供能力支撑，所有AI应用均由多层模块组合实现。

（1）基础层：模型通信底层地基

负责框架与大模型交互，统一消息、提示词、流式输出标准：

• Messages：标准化消息结构（系统消息、用户消息、AI返回、工具消息）
• Prompts：可复用提示词模版，支持动态变量填充
• Streaming：逐Token流式输出，实现打字机效果
• Middleware：v1.x新增，统一处理重试、缓存、超时拦截

（2）能力层：通用核心功能组件

独立可拆分模块，按需组合使用：

• Models：统一模型调用接口，兼容对话模型、嵌入模型，支持 invoke / batch / stream 三种调用方式
• Tools：自定义外部工具，赋予模型访问外部资源能力
• Memory：会话记忆管理，分为短期会话记忆管理、长期持久记忆、摘要压缩记忆
• Structured Output：基于 Pydantic 约束输出，强制返回标准 JSON 格式

（3）应用层：面向业务场景顶层封装

组合下层能力，直接解决完整业务需求：

• Chains：LCEL 管道语法串联多个组件，构建流水线任务
• Retrieval (RAG)：完整检索增强生成链路，私有知识库核心
• Agents：自主推理调度工具，循环执行任务直至完成需求

5.模块协作实例：企业文档问答机器人

完整链路模块协作流程：

1. 用户提问传入 Prompt 模板标准化处理
2. Retrieval 检索向量数据库中相关文档片段
3. 将问题 + 检索文档送入 Model 大模型推理
4. Structured Output 约束模型返回规范 JSON 答案
5. Memory 保存本轮问答，支持用户后续追问
6. 若需要自主判断是否检索 / 调用工具，交由 Agent 动态调度全流程

三、标准化环境准备

1.工具选型说明：venv /conda/uv

Python 开发环境需要解决环境隔离与第三方包安装两大需求，主流工具对比：

1. venv+pip：Python 原生工具，无需额外安装，但速度慢、依赖管理简陋；
2. conda：全能工具，可管理 Python 版本与 C/C++ 底层库，体积大、依赖解析速度慢；
3. uv：Rust 编写新一代工具，速度比 pip 快 10~100 倍，同时管理虚拟环境、Python 版本、依赖锁定，完美适配 LangChain 纯 Python 生态。

本教程统一使用 uv，放弃 conda；仅深度学习需要 CUDA 等底层库时，才推荐 conda。

2 LangChain 分包结构（按需安装，不冗余）

框架拆分多包，按功能分类，仅安装项目所需依赖：

分类	包名	作用
核心基础包	langchain	框架顶层核心，必装
	langchain-core	底层抽象类、LCEL 语法，随 langchain 自动安装
模型集成包	langchain-openai	OpenAI/GPT 系列适配
	langchain-deepseek	DeepSeek 模型适配
	langchain-ollama	本地开源模型 Ollama 适配
	langchain-anthropic	Claude 系列适配
	langchain-community	社区海量模型、工具、数据库集成
扩展功能包	langchain-chroma	Chroma 轻量向量库
	python-dotenv	读取.env 密钥配置文件

3.uv完整安装流程

Windows PowerShell

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Mac / Linux

curl -LsSf https://astral.sh/uv/install.sh | sh

验证安装：

uv --version

4.创建项目并安装LangChain依赖

# 1. 创建项目文件夹并进入
mkdir langchain-course && cd langchain-course

# 2. uv初始化项目，自动生成虚拟环境
uv init

# 3. 锁定Python版本（推荐3.12，最低3.10）
uv python pin 3.12

# 4. 安装核心LangChain包
uv add langchain python-dotenv

# 5. 按需安装模型适配包（示例：DeepSeek + OpenAI）
uv add langchain-deepseek langchain-openai

# 6. 如需向量库，额外执行
uv add langchain-chroma

注意：使用uv add会自动写入 pyproject.toml 并生成 uv.lock 锁文件，保证环境可复现；uv pip install仅临时安装，不记录依赖。

5.项目文件说明

执行初始化后目录结构：

langchain-course/
├── pyproject.toml  # 项目配置、依赖清单
├── uv.lock         # 精确依赖锁文件，团队同步环境使用
├── .venv/          # uv自动生成的虚拟环境
└── main.py         # 代码入口

• pyproject.toml：手动管理，记录项目需要哪些依赖，提交 Git；
• uv.lock：uv 自动生成，锁定每个包精确版本，同事执行uv sync一键还原完全一致环境；
• .venv：虚拟环境文件夹，加入.gitignore 禁止提交。

6.主流大模型平台选型指南

LangChain 模型无关特性，切换模型仅修改配置，提前准备对应 API Key：

1、海外官方平台（需科学上网 + 境外支付）

OpenAI、Anthropic、Google Gemini，延迟低、稳定性强；

2、国内中转平台（国内直连，支付宝付费）

CloseAI，兼容 OpenAI 接口，无需改代码，适合国内学习；

3、国产大模型（国内直连，免费额度充足）

DeepSeek、阿里云百炼通义千问、智谱 GLM、硅基流动开源模型推理。

7 .env 环境变量配置（禁止硬编码密钥）

1.项目根目录新建.env文件

# OpenAI代理配置
OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://api.closeai-asia.com/v1

# DeepSeek国产模型配置
DEEPSEEK_API_KEY=sk-xxx

# LangSmith调试（可选）
LANGSMITH_TRACING=true
LANGSMITH_API_KEY=ls-xxx

2.代码读取环境变量

from dotenv import load_dotenv
import os

# 加载.env配置
load_dotenv()
api_key = os.getenv("DEEPSEEK_API_KEY")

3.安全规范：将.env写入.gitignore，避免密钥泄露。

8 验证 LangChain 安装成功

uv run python -c "import langchain; print(langchain.__version__)"

正常输出版本号即代表环境搭建完成。

四、第一个 LangChain 运行 Demo

新建 main.py，实现基础模型调用，验证整套环境可用性：

import os
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

# 加载本地密钥配置
load_dotenv()

# 初始化大模型
llm = ChatDeepSeek(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    model="deepseek-chat",
    temperature=0.1
)

# 执行调用
res = llm.invoke("用简单几句话介绍LangChain的作用")
print("模型返回结果：")
print(res.content)

运行代码：

uv run python main.py

成功输出模型回答即代表整套环境、依赖、密钥配置全部正常。

五、总结

1. LangChain 解决原生 LLM API 重复开发痛点，提供标准化组件，统一多模型调用接口；
2. 生态分为 LangGraph、LangChain、Deep Agents 三层，根据项目复杂度灵活选择；
3. 采用 uv 现代化工具链搭建环境，依赖可锁定、安装速度远超传统 pip/conda；
4. 项目规范使用.env 管理 API 密钥，搭配 LangSmith 实现全链路可视化调试