LangChain 学习笔记：大模型应用开发的“万能钥匙”

纪枫

171人浏览 · 2026-07-13 08:54:40

纪枫 · 2026-07-13 08:54:40 发布

LangChain 学习笔记：大模型应用开发的“万能钥匙”

从零开始认识 LangChain，搞懂它解决了什么问题、怎么用、环境怎么搭

一、我为什么要了解 LangChain？

这事得从我第一次用大模型 API 说起。

当时我想做一个简单的“聊天机器人”，想着直接调 OpenAI 的 API 不就完了吗？确实，调个接口返回回答，几行代码就搞定了。但后来需求慢慢变多了——要记住上下文、要能联网搜索、要能查本地文档、输出格式还得是固定的 JSON……

每加一个功能，代码就膨胀一圈。对话历史得自己维护、token 超了得自己截断、模型返回的格式不对得自己写正则去修、换一个模型几乎要重写大半代码。我发现自己 80% 的时间都在处理这些“杂活”，真正写业务逻辑的时间少得可怜。

这时候我才明白：调用 API 和做产品之间，隔着一条很宽的路。

后来我遇到了 LangChain，才算是找到了正确的打开方式。

二、LangChain 是什么？

简单说，LangChain 是一个专门用来开发大模型应用的框架。它把开发过程中那些重复性的、通用的工作都封装好了，让你不用每次都从零开始写。

打个比方：如果你想开发一个 Web 网站，你不会从写 HTTP 服务器开始，而是会用 Spring Boot、Django、Express 这样的框架。LangChain 干的也是同样的事——只不过它服务的对象是大语言模型。

LangChain 是 2022 年 10 月由哈佛大学的 Harrison Chase 发起的开源项目。注意一个有意思的时间点：ChatGPT 是 2022 年 11 月才问世的，LangChain 比 ChatGPT 还早一个月。创始人能在这个时间点就布局大模型应用框架，眼光确实挺准的。

三、LangChain 能帮我省掉哪些麻烦？

对比一下直接调用 API 和使用 LangChain 的区别，你就明白了：

直接调用 API 做一件事，你可以想象一个场景：你想让模型根据你的知识库回答问题。你需要自己去把文档加载进来、切成小块、存到向量数据库、写检索逻辑、拼 prompt、调 API、解析输出……每一步都得自己写代码，还得处理各种边界情况。

用 LangChain，这些事情基本上都是现成的。文档加载有 DocumentLoader，文本切分有 TextSplitter，向量化存贮有 VectorStore，检索有 Retriever，拼接 prompt 有 PromptTemplate……你只需要把这些组件串起来，十几行代码就能搞定。

说白了就是：你可以把精力放在“做什么产品”上，而不是“怎么调接口”上。

具体来说，LangChain 帮我省掉了这些事：

对话管理：不用自己维护消息列表、控制 token 上限、做摘要压缩
工具调用：不用自己定义函数 schema、解析模型返回的 JSON、处理异常
RAG（检索增强生成） ：整个流程从加载文档到检索到生成答案，一条链搞定
模型切换：从 OpenAI 换到 Claude 换到 DeepSeek，改一行配置就行
结构化输出：用 Pydantic 定义好格式，框架自动帮你解析和校验

四、LangChain 生态：不只一个包

刚开始接触 LangChain 的时候，我光看文档就有点晕——怎么又是 LangChain 又是 LangGraph 又是 Deep Agents？后来才搞明白，这其实是三层结构，从底层到上层层层构建的关系。

用最简单的话说：

LangGraph 是最底层，它负责“精确控制每一步流程”。你可以把它想象成一个流程图，每个节点做什么、节点之间怎么流转，都由你说了算。适合企业级复杂应用，比如需要审批节点、人工审核、回滚等场景。

LangChain 是中间层，它提供了标准化的抽象组件。你不需要关心底层怎么流转的，只需要把组件组合起来用就行。大部分通用开发场景用这一层就够了。

Deep Agents 是最上层，开箱即用。你只需要告诉它“我要干什么”，它自己规划步骤、调用工具、完成任务。适合快速原型验证。

这三层是层层依赖的：Deep Agents 建立在 LangChain 之上，LangChain 又建立在 LangGraph 之上。你不需要全部掌握，用哪层取决于你的需求有多复杂。

五、核心模块速览

LangChain 的模块分成三层：

基础层（用什么说话）

这一层定义了和模型之间怎么“对话”。包括：

Messages：标准化的消息格式，比如 SystemMessage（系统指令）、HumanMessage（用户输入）、AIMessage（模型回复）、ToolMessage（工具返回结果）
Prompts：提示词模板，支持变量插入和复用，比如 "请用{language}介绍{topic}"
Streaming：流式输出，让结果一个字一个字地蹦出来，体验更好

能力层（怎么做）

这一层提供了核心能力组件：

Models：统一的模型调用接口，所有模型都用 invoke、batch、stream 三种方法，换模型不用改代码
Tools：用 @tool 装饰器定义一个函数，模型就能自动识别和调用它
Memory：管理对话历史，支持短期记忆、长期记忆、摘要压缩
Structured Output：用 Pydantic 模型约束输出格式，确保返回标准的 JSON

应用层（做什么）

这一层是面向具体业务场景的：

Chains：用管道符 | 把多个组件串成流水线，比如 prompt | llm | parser
RAG：从文档加载到向量检索到生成回答的完整链路
Agents：模型自主规划执行步骤，循环调用工具直到完成任务

六、环境准备（我用的是 uv）

LangChain 是基于 Python 的，所以第一步是搭好 Python 环境。

我为什么不用 conda？

以前我习惯用 conda，但这次我换了 uv。简单对比一下：

conda 确实什么都能管，但速度慢、体积大
uv 是 Rust 写的，安装包比 pip 快 10 到 100 倍
LangChain 的所有包都在 PyPI 上，用 uv 刚好合适
uv 还能管理 Python 版本，替代了 pyenv 的功能

如果你还在用 conda 做 LangChain 开发，可以考虑换 uv，体验真的不一样。

安装 uv

Windows（PowerShell）：

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

macOS / Linux：

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

装完验证一下：uv --version

创建项目并安装 LangChain

# 创建项目目录
mkdir langchain-course && cd langchain-course

# 初始化项目（自动创建虚拟环境和 pyproject.toml）
uv init

# 指定 Python 版本
uv python pin 3.12

# 安装核心包
uv add langchain

# 安装你需要的模型集成
uv add langchain-openai      # OpenAI
uv add langchain-anthropic   # Claude
uv add langchain-deepseek    # DeepSeek
uv add langchain-ollama      # 本地模型

# 安装常用扩展
uv add python-dotenv         # 环境变量管理
uv add langchain-chroma      # 向量数据库

理解那几个文件

用 uv 初始化后，目录里会出现几个文件：

pyproject.toml：项目的“购物清单”，记录了你装了哪些包。你不需要手动编辑，uv add 会自动维护它。
uv.lock：精确记录了每个包的版本号，包括间接依赖。把这个文件提交到 Git，别人拉下来执行 uv sync 就能得到一模一样的环境。
.venv：虚拟环境文件夹，存放实际安装的包。这个不要提交到 Git，加到 .gitignore 里。

配置 API Key

LangChain 本身不提供模型，你需要有自己的 API Key。我目前用的是 CloseAI（国内中转平台，支持支付宝），配置方式很简单：

在项目根目录创建 .env 文件：

OPENAI_API_KEY=你的密钥
OPENAI_BASE_URL=你的代理地址

然后在代码里加载：

from dotenv import load_dotenv
import os

load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")

记得把 .env 加到 .gitignore，别把密钥传到网上了。

七、第一个程序

环境搭好之后，我写了一个最简单的调用试试水：

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

response = llm.invoke("你好，请用一句话介绍 Python")
print(response.content)