LangChain 概述

Nanxu2026/10/14大约 21 分钟

1.为什么需要 LangChain

1.2 单一的大语言模型的局限性

知识受限于训练数据：无法获取训练时间之后的数据。
无法直接与外部系统交互：无法查询实时数据库、调用 API 或读取数据库。
不具备状态保持能力：难以进行连贯的多轮对话，遗忘之前的上下文。

所以要构建真正实用的 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，从而催生了 LangChain 框架的设计理念。

LangChain，是当前构建生产级 AI 智能体系统的首选。

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：

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 的应用场景

LangChain 广泛适用于以下六大场景：

检索增强生成（RAG）

痛点：解决大模型知识滞后（无实时数据）和幻觉问题。
功能：检索外部知识库（文档/数据库）并向量化，让模型基于最新、最相关的资料回答。

Agent 智能体构建

痛点：解决 LLM 无法直接执行复杂任务的问题。
功能：将模型作为“推理引擎”，自主规划路径并动态调用外部工具（如订票、查报告、写 SQL），实现复杂任务。

对话系统与聊天机器人

痛点：解决多轮对话中的“记忆”流失问题。
功能：集成记忆管理系统，记住用户偏好和历史交互，并结合私有数据（如教育教材、订单库）提供专业服务。

多模态应用开发

痛点：跨越单一文本交互的限制。
功能：融合图像识别、语音转文字等技术，让模型具备处理音视频和图片的综合推理能力。

自动化写作与格式化生成

痛点：解决生成内容格式不标准、质量不稳定的问题。
功能：配合提示词模板（Templates）与输出解析器（Parsers），自动产出规范的报告、合同或邮件。

数据连接与结构化处理

痛点：解决非结构化数据难以被模型直接利用的问题。
功能：强大的数据连接能力使大模型能够与各种数据源和结构化数据交互。比如：从 PDF、Excel 中提取关键信息，或实现自然语言与 SQL 的自动转换。

2.LangChain 是什么

2.1 LangChain 的发展时间线

第 1 阶段：诞生（2022 年 10 月）

2022 年 10 月，哈佛大学的机器学习项目工程师 Harrison Chase（哈里森·蔡斯）创建了由大语言模型驱动的应用程序的开源框架：LangChain。其名称来源于 Language（语言模型）与 Chain（链式连接）的组合。体现了其核心设计理念——链接大语言模型与其他各种计算资源和数据，构建强大的 AI 应用。

第 2 阶段：探索期（2022 年 Q4—2023 年 Q1）

LangChain 初版发布，主要聚焦于 PromptTemplate、LLMChain 等基础模块。其凭借前瞻性设计，在开源社区迅速走红，GitHub Star 数快速破万，成为早期最受关注的大模型应用框架。

第 3 阶段：体系化阶段（2023 年 Q2—2023 年 Q4）

引入 Tool、Agent、Retrieval 等概念，形成「大模型 + 工具调用 + 记忆」的核心架构，支持构建完成更复杂任务的自动化智能体。
同期推出 LangChain Hub 与 LangSmith，初步构建了从开发、调试到部署的生态闭环。

第 4 阶段：平台化阶段（2024 年—2025 年上半年）

LangGraph 与 LangServe 的发布是这一阶段的标志。LangGraph 为工作流管理提供了有向图基础，而 LangServe 则解决了服务化部署的难题。至此，LangChain 生态完成了从开发框架到智能体平台的跃升。

第 5 阶段：深层智能体阶段（2025 年下半年至今）

正式推出 Deep Agent，官方定位为 Agent Harness（智能体执行框架），在 LangGraph 和 LangChain 之上运行，标志着 LangChain 生态进入新阶段，让开发者可构建基于多智能体的复杂化智能体系统。

2.2 LangChain 的两个重要版本

版本 1：v0.3 时代 · 既爱又恨

长期以来，LangChain 因为 API 变动频繁而被开发者戏称为“版本碎钞机”。

一方面，2024 年是 LangChain 架构重大变革的一年，LangChain 团队推出了 LangGraph 作为底层智能体编排框架，并将原有的链和智能体标记为弃用，转而采用基于 LangGraph 构建的统一智能体抽象。

另一方面，GPT-4 逐渐普及，包括调用外部工具（Function calling）、结构化输出、系统提示词等功能，都成了模型的基础功能。而对于开发者而言，此时再使用 LangChain 再对这些功能进行封装就显得多此一举。

此时，很多开发者的整体使用感受：

文档混乱 & 更新滞后
抽象过度 & 调试困难
版本不兼容

这个阶段，LangChain 的开发者大规模流失。

版本 2：v1.x 时代 · AI 开发新范式

在经历了短暂的阵痛后，LangChain 进行了一次彻底的架构重构与瘦身。

2025 年 10 月 20 日，LangChain 团队正式发布了第一个正式大版本：LangChain v1.0.0 与 LangGraph v1.0.0，这是 AI 智能体（Agent）开发领域的里程碑事件，标志着框架的成熟和标准化，为企业级 AI 应用提供了稳定基础。

官方首次明确 API 稳定保证：承诺在 2.0 版本前无破坏性变更。这种稳定性对于企业级应用，是至关重要的。

发布同期完成 1.2 亿美元融资，估值超 12 亿美元，印证其作为 AI 基础设施的战略价值。

2.3 LangChain v1.2 的主要模块

v1.2 把原有功能拆成若干子包，核心包保持最小：

langchain-core：官方推荐的核心 API。比如 Runnable, BaseMessage 等
langchain-classic：冗余代码移或不推荐使用的经典 API 移到此。比如 0.x 中常用而 1.x 移除的 API 都在这里。
langchain-community：第三方集成，比如：合作伙伴包 langchain-openai、langchain-anthropic 等，按需安装、避免臃肿。
langgraph：深度整合 LangGraph 1.0，协调多个 Chain、Agent、Tools 完成更复杂的任务，并且支持循环调用，是 LangChain 图形化的增强版。

2.4 API 文档

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 文档查询：https://reference.langchain.com/python/langchain/

3.LangChain 家族四大支柱

截至 2025 年 11 月，LangChain 已从一个独立的开发框架，成长为一个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、LangGraph、Deep Agent 与 LangSmith。

它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层，共同构建了一个从技术验证到生产部署、从单体智能到复杂协作的项目闭环。

3.1 LangChain：智能体开发的基石

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

其核心价值如下：

统一的模型抽象层：屏蔽了不同模型服务提供商（如 OpenAI、Anthropic、Ollama 等）的接口差异，提供一致的调用方式。
高度模块化的设计：使用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩展。
丰富的集成生态：预置了丰富的数据源、API、中间件等，构成了强大的 AI 能力枢纽。

在整体架构中，LangChain 如同智能体的操作系统内核，是所有上层能力构建的基础。

结论：如果你需要构建简单的智能体应用，无需复杂的编排需求，那就选择 LangChain。

3.2 LangGraph：复杂工作流的编排引擎

当智能体的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。

其核心思想是将智能体内部抽象为一张有向图。

节点（Node）：代表独立的功能单元或决策点。
边（Edge）：定义了节点之间的流转条件与路径。
状态（State）：作为一个共享上下文，在节点间传递并持久化存储任务信息。

通过这种图式结构，LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。

官方也强调“快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同”。

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”

3.3 Deep Agent：智能体的执行框架

Deep Agent 是新推出的全新组件，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。旨在让开发者无须从零构建复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体。

Deep Agent 的核心能力如下：

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：通过与 LangGraph 状态存储的结合，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

官方文档：LangChain / LangGraph / Deep Agent 三者对比

三个框架不是竞争关系，并非互斥，复杂项目完全可以同时用到这三层。

从 LangChain 快速搭建，用 LangGraph 打磨生产稳定性，再用 Deep Agent 赋予 Agent 更强的自主能力——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，单靠日志与 print 输出，已无法满足调试与质量管理的需求。

LangSmith 是 LangChain 官方推出的可视化监控与测试平台，用于跟踪、记录和分析智能体在运行过程中的完整调用链路，让智能体的内部运行过程变得透明和可评估。

LangSmith 的核心目标如下：

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：发现运行中智能体的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：支持多人共享测试集与调用记录。

LangSmith 官网：https://www.langchain.com/langsmith

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。

4.相关环境安装

4.1 代码管理方案

相较于全局环境（系统环境），各个虚拟环境都有自己独立的一套：Python 解释器、pip 命令、第三方依赖包，不和其它项目产生干扰。

虚拟环境的设置方案：

方案 1 使用 conda：适合“Python + 非 Python 依赖”的复杂环境

conda 不只是 Python 包管理工具，它还可以管理 Python 解释器、Python 包，以及很多非 Python 依赖，比如：CUDA、编译器、系统库、数据库驱动、科学计算底层库等非 Python 依赖。

因此在数据科学、深度学习、AI 工程、科学计算等场景中，conda 更稳妥、优先推荐。

注意：conda 环境中可以使用 pip，但建议先用 conda 装底层依赖，再用 pip 补充 Python 包，不要随意反复交替使用

方案 2 使用 uv：适合“纯 Python 项目”的现代包管理

uv 是一个现代 Python 包管理工具，主要管理 Python 生态依赖，不能像 conda 那样管理 CUDA、系统级数据库驱动、编译器这类通用非 Python 依赖。

如果项目主要是普通 Python 开发，这类项目通常可以优先考虑 uv。例如：

FastAPI 项目
LangChain 项目
脚本工具
Web 后端
普通 AI Agent 应用
RAG 应用层代码

方案 3 使用 venv：Python 自带的轻量级虚拟环境工具

venv 是 Python 官方自带的虚拟环境工具，不需要额外安装。

它的特点是简单、轻量：

python -m venv .venv

注意： venv 不负责安装新的 Python 解释器，只能基于当前已经安装好的 Python 解释器创建虚拟环境。同时，venv 也不负责管理 CUDA、系统库等非 Python 依赖。

三者对比：

工具	管理 Python 解释器	管理 Python 包	管理非 Python 依赖	适合场景
conda	✅可以	✅可以	✅可以	AI、深度学习、科学计算、复杂底层依赖（C/C++、CUDA）
uv	✅可以	✅可以	❌不可以	纯 Python 项目、Web、Agent、RAG 应用层
venv	不支持原生安装，基于已有解释器	✅可以	❌不可以	简单项目、教学演示、轻量隔离

按上表：LangChain 属于纯 Python 项目，uv 和 pip 都能装，conda 也能装；只有当同一个环境里还需要 CUDA、编译器这类非 Python 依赖时（比如后续要做本地模型推理），才应该优先用 conda。

4.2 安装虚拟环境与 Python 解释器

LangChain 基于 Python 开发，因此需确保系统中安装了 Python 解释器，我们在创建虚拟环境过程中安装 Python 解释器。

LangChain 1.2 要求 Python 3.10 及以上，这里使用 Python 3.13.12。

4.2.1 创建 Conda 环境

# 创建一个名为langchain1.2的环境，指定Python版本是3.13.12
conda create --name langchain1.2 python=3.13.12

# 查看Anaconda安装好的python环境
conda env list

# 初始化虚拟环境 (执行完此指令，重新启动命令行窗口)
conda init

# 在命令行窗口切换到某python环境
conda activate langchain1.2

# 验证python版本
python --version
Python 3.13.12

4.2.2 退出/删除 Conda 环境

# 在命令行退出当前python环境
conda deactivate

# 删除一个已有的Anaconda管理的python环境
conda remove --name langchain1.2 --all

4.3 下载 LangChain 安装包

4.3.1 使用 conda 指令

# 安装指定版本。比如 1.2.12
conda install langchain==1.2.12

# 或者安装最新版（默认仓库）
conda install langchain

# 指定频道（如 conda-forge）
conda install -c conda-forge langchain==1.2.12

# 更新包
conda update langchain

# 卸载包
conda uninstall langchain

# 查看已安装包
conda list

说明

conda 包通常来自 defaults 或 conda-forge。

-c：是 --channel 的缩写，conda 用于指定包的安装来源渠道。
conda-forge：该源比官方默认渠道更新更快、包更全。

4.3.2 使用 pip 指令

# 安装指定版本
pip install langchain==1.2.12

# 安装最新版（不推荐）：pip install langchain
# 使用指定源：国内镜像加速 （解决下载慢）  -i：指定镜像源
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 从旧版本升级到新版本
pip install --upgrade langchain
#或者 pip install -U langchain==1.2.12

# 卸载包
pip uninstall langchain

# 查看已安装包
pip list

建议：LangChain 本身是纯 Python 包，pip install（或 uv）最省事；只有当你还需要同一环境里的 CUDA、编译器这类非 Python 依赖时，才优先用 conda install。

conda 与 pip 的分工

conda 依赖检查严格，pip 相对宽松；
conda 管环境 + 依赖 + 稳定性，pip 只管 Python 包；
conda：支持 Python 包 + 非 Python 包；pip：只支持 Python 包。

5.大模型应用场景介绍

5.1 RAG 开发

5.1.1 背景

大模型的知识冻结：随着 LLM 规模扩大，训练成本与周期相应增加，模型无法实时学习到最新信息或动态变化，因而难以应对“请推荐现在的热门影片”这类时间敏感的问题。
大模型幻觉：涉及模型从未在训练过程中学习过的信息时，它给不出准确答复，转而开始臆想和编造答案。

5.1.2 一个直观的例子

LLM 在考试时面对陌生领域，答复能力有限，正准备“放飞自我”，此时 RAG 给了一些提示和思路，让 LLM 开始往这个方向作答，最终正确率从 60% 提升到 90%。

5.1.3 何为 RAG？

Retrieval-Augmented Generation（检索增强生成）：先从外部知识库检索相关资料，再把资料作为上下文增强进提示词，最后让模型基于这些上下文生成答案。

图 1：

图 2：

对照图 1：检索可理解为第 10 步，增强为第 13 步（这里的提示词包含检索到的数据），生成为第 15 步。

RAG 落地过程中的四个难点：文件解析、文件切割、知识检索、知识重排序。

文件解析：PDF 内部可能同时包含文字、图片、表格，图片上还有文字，都需要处理。
文件切割：没有固定格式，切多大、怎么切需要权衡。
知识检索：在 RAG 应用中，随着文档数量增加，召回准确率会下降；引入 reranker（重排器）可对初步召回的较多 chunk（如 top 20 或 top 50）做精排，提高召回准确率，避免 LLM 处理无关信息，减少时间和成本。
知识重排序：reranker 增强后的 RAG 成本高于纯向量检索，但仍低于仅靠 LLM 直接生成答案。

Reranker 的适用场景

适合：追求回答高精度与高相关性的场景，例如专业知识库、客服系统。
不适合：引入 reranker 会增加召回时间与检索延迟，服务对响应时间要求高时可能不合适。

5.2 Agent 开发

充分利用 LLM 的推理决策能力，再加上规划、记忆与工具调用，构造一个能够独立思考、逐步完成给定目标的 Agent（智能体）。

先看一个类比：

OpenAI 的元老翁丽莲（Lilian Weng）于 2023 年 6 月在个人博客首次提出了现代 AI Agent 架构：

用一个公式表示：

Agent = LLM + Planning + Tools + Memory + Action

以“打车去西藏玩”为例

大脑中枢（LLM）：做规划的你
规划（Planning）：步骤 1 规划打车路线；步骤 2 订饭店、酒店……
工具（Tools）：通过 MCP 或 Function Calling 调用滴滴、携程、美团等 API
记忆（Memory）：知道上下文，订酒店时记得是西藏路上的酒店，不会聊着聊着忘了最初目的
行动（Action）：真能把上面这些事执行完，说走就走，而不是纸上谈兵

智能体的核心要素可细化为以下模块：

5.2.1 大模型（LLM）作为“大脑”

提供推理、规划与知识理解能力，是 AI Agent 的决策中枢。大脑主要由大型语言模型 LLM 组成，承担信息处理与决策，并能呈现推理和规划的过程，因而能较好地应对未知任务。

5.2.2 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）把目标拆解为子任务，再依据反馈优化策略。

5.2.4 记忆（Memory）

智能体像人一样，能留存学到的知识以及交互习惯，处理重复工作时可以调用以往经验，从而避免用户进行大量重复交互。

短期记忆：存储单次对话周期的上下文信息，属于临时信息存储机制，受限于模型的上下文窗口长度。
长期记忆：可以横跨多个会话或时间周期，存储并调用核心知识，服务于非即时任务。
- 比如：关于用户的偏好、过去执行过的指令等。
- 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）。

上下文窗口的演进

ChatGPT 约 8k token → GPT-4 约 32k token → 最新的很多大模型：OpenAI GPT-5.5 / GPT-5.4 Pro 支持 100 万 Token（1M）、Anthropic Claude Opus 4.7 支持 200 万 Token、DeepSeek-V4-Pro 支持 100 万 Token，甚至有模型支持 1000 万 token（相当于 2000 万字文本或 20 小时视频）。