文章目录目录一、为什么需要 LangChain1.1 从传统应用到智能体时代1.2 单一大语言模型的局限性1.3 LangChain 框架的定位1.4 LangChain 的六大应用场景1.5 大模型相关岗位二、LangChain 是什么2.1 发展时间线2.2 两个重要版本v0.3 vs v1.xLangChain v0.3既爱又恨LangChain v1.xAI 开发新范式v0.3 与 v1.2 核心对比2.3 LangChain v1.2 的主要模块2.4 API 文档资源三、LangChain 家族四大支柱3.1 LangChain智能体开发的基石3.2 LangGraph复杂工作流的编排引擎3.3 Deep Agent智能体的执行框架3.4 三者的关系3.5 LangSmith可视化监控与测试平台四、开发前的准备工作4.1 前置知识4.2 环境管理方案对比4.3 安装步骤1. 创建 conda 虚拟环境2. 退出 / 删除环境3. 安装 LangChain4. PyCharm 开发环境五、大模型应用场景介绍5.1 RAG 开发背景何为 RAGRAG 的四大难点Reranker 使用建议5.2 Agent 开发Agent 的数学公式通俗类比打车去西藏Agent 的五大核心要素5.3 大模型应用开发的四个场景场景一纯 Prompt场景二Agent Function Calling场景三RAG检索增强生成场景四Fine-tuning精调/微调六、技术方案选择指南总结关键要点回顾目录一、为什么需要 LangChain1.1 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 AgentAgent 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.xLangChain 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.xAI 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 v0.3LangChain 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-classicPython 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 APIRunnable, BaseMessage 等 langchain-classic ← 冗余或不推荐使用的经典 API0.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/GitHubhttps://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/overviewAPI 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/CCUDAuv✅✅❌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 installconda 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 3.13.12conda create--namelangchain1.2python3.13.12# 查看已安装的 Python 环境condaenvlist# 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-V2. 退出 / 删除环境# 退出当前环境conda deactivate# 删除环境conda remove--namelangchain1.2--all3. 安装 LangChain# 方式1使用 conda推荐condainstall-cconda-forgelangchain1.2.12# 方式2使用 pip国内镜像加速pipinstalllangchain1.2.12-ihttps://pypi.tuna.tsinghua.edu.cn/simple# 验证安装python-cimport 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 RAGRAGRetrieval-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GenerationLLM 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 ActionOpenAI 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 tokenGPT-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AgentAI 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、质量评测关键要点回顾v1.x 是新起点LangChain v1.0 是里程碑版本API 稳定保证让企业级应用有了信心生态协同LangChain 快速搭建 → LangGraph 打磨稳定性 → Deep Agent 赋予深度能力工具箱思维不要试图学完所有 API搞懂核心逻辑用到再查场景驱动从纯 Prompt → RAG → Agent → Fine-tuning从简到繁逐步升级应用为王大模型应用开发是最值得关注的方向门槛低、天花板高