LangChain39 分钟读完 (大约 5849 个字)

01-LangChain 1.2 概述

背景

01-LangChain 1.2 概述

第01章：LangChain 1.2 概述

1、为什么需要LangChain？

1.1 从传统应用到智能体时代

1.2 单一的大语言模型的局限性

单纯依赖大语言模型无法构建落地可用的AI应用，模型存在知识滞后、无法主动行动、无记忆能力等短板。因此，必须将大语言模型与外部工具、数据源、记忆机制深度结合，这也是LangChain框架的核心设计初衷。

LangChain 是目前构建生产级AI智能体系统的主流首选开源框架。

1.3 LangChain框架的定位

LangChain作为大模型与业务应用之间的中间层，可统一对接各类大模型，标准化管理提示词与上下文，无缝集成外部工具和数据源，快速搭建具备自主推理、主动执行能力的AI智能体。核心定位可总结为三点：

打通大模型与外部资源：提供统一接口，对接数据库、检索引擎、第三方API、文件系统等各类外部资源；
封装底层复杂逻辑：抽象工具调用、对话记忆、上下文管理等底层能力，大幅降低AI智能体开发门槛；
支撑多智能体协作：依托LangGraph等生态组件，实现从单智能体到多智能体协同的拓展，适配工业级复杂AI系统搭建。

1.4 LangChain的应用场景

1. 检索增强生成 (RAG)

核心痛点：解决大模型训练知识滞后、实时信息缺失、输出幻觉等核心问题。

核心功能：对外部文档、数据库等知识库内容进行向量化检索，让大模型依托最新、最相关的真实资料生成回答，保障输出准确性。

2. Agent 智能体构建

核心痛点：弥补大模型无法自主拆解复杂任务、无法主动执行外部操作的短板。

核心功能：将大模型作为核心推理引擎，自主规划任务执行路径，动态调用各类外部工具（订票、数据分析、SQL查询、文档处理等），全自动完成复杂场景任务。

3. 对话系统与聊天机器人

核心痛点：解决多轮对话中上下文断裂、用户偏好遗忘、历史交互失效等问题。

核心功能：内置完善的记忆管理机制，持久化留存用户偏好与对话历史，可结合行业私有数据（教材、订单库、知识库等），打造垂直领域专属对话服务。

4. 多模态应用开发

核心痛点：突破大模型单一文本交互的能力限制。

核心功能：无缝融合图像识别、语音转文字、音视频解析等技术，让AI具备多维度信息感知与综合推理能力。

5. 自动化写作与格式生成

核心痛点：解决AI生成内容格式混乱、质量不稳定、标准化程度低的问题。

核心功能：搭配提示词模板、输出解析器组件，自动生成格式规范、逻辑统一的报告、合同、邮件、文案等标准化内容。

6. 数据连接与结构化处理

核心痛点：解决PDF、Excel、文档等非结构化数据无法被大模型直接识别、调用的问题。

核心功能：强大的数据源适配能力，支持各类文件、结构化数据库的数据提取与解析，实现自然语言与SQL、结构化数据的自动转换。

2、LangChain是什么？

2.1 LangChain的发展时间线

LangChain名称由 Language（语言模型） + Chain（链式连接） 组合而来，核心理念是链接大语言模型与各类计算资源、数据资源，构建高性能AI应用。其发展共分为五个阶段：

第1阶段：诞生（2022年10月）

哈佛大学机器学习工程师 Harrison Chase 创立 LangChain 开源框架，专为大语言模型驱动的应用开发而生。

第2阶段：探索期（2022年Q4—2023年Q1）

初版框架发布，核心落地 PromptTemplate、LLMChain 等基础模块，凭借前沿设计快速走红，GitHub Star 数迅速破万，成为早期主流大模型应用开发框架。

第3阶段：体系化阶段（2023年Q2—2023年Q4）

迭代引入 Tool、Agent、Retrieval 等核心概念，形成「大模型+工具调用+记忆机制」的完整核心架构，支持复杂自动化智能体开发。同期推出 LangChain Hub、LangSmith，搭建起从开发、调试到部署的初步生态闭环。

第4阶段：平台化阶段（2024年—2025年上半年）

核心标志为 LangGraph、LangServe 正式发布。LangGraph 解决智能体工作流可视化编排问题，LangServe 实现AI应用快速服务化部署，框架正式从开发工具升级为企业级智能体开发平台。

第5阶段：深层智能体阶段（2025年下半年至今）

推出全新 Deep Agent 组件，定位为智能体执行框架（Agent Harness），基于 LangChain 与 LangGraph 构建，支持复杂多智能体系统开发，推动AI智能体向深度自主化演进。

2.2 LangChain的两个重要版本

1、LangChain v0.3版本：架构过渡阵痛期

该版本因API迭代频繁、兼容性差，被开发者戏称“版本碎钞机”，是框架的关键过渡版本。

2024年官方启动重大架构革新，将 LangGraph 定为底层核心编排框架，废弃原有链式调用、旧版智能体API，完成架构底层重构。同时，随着GPT-4等模型普及，原生支持工具调用、结构化输出等能力，让v0.3版本的部分封装功能显得冗余，导致大量开发者流失。

2、LangChain v1.x版本：AI开发新范式

2025年10月20日，官方正式发布 LangChain v1.0.0 与 LangGraph v1.0.0，是AI智能体开发领域的里程碑更新，标志着框架走向成熟、稳定，适配企业级生产落地。

核心亮点：官方承诺 2.0版本前无破坏性API变更，彻底解决版本不稳定问题，满足企业长期开发需求。同期完成1.2亿美元融资，估值超12亿美元，行业认可度大幅提升。

版本对比：LangChain v0.3 VS LangChain v1.2

对比维度	LangChain v0.3	LangChain v1.2
核心设计理念	过渡性架构，以链式调用（Chain）为核心	生产级稳定架构，完成从“链式调用”到“智能体框架”的范式升级
Agent构建方式	依赖 initialize_agent 等旧API，基于 AgentExecutor 硬编码实现	统一使用 create_agent 标准入口，底层原生基于 LangGraph 构建
工具定义	依托@tool装饰器、Tool类定义，类型校验弱，参数安全性差	支持Pydantic Schema定义工具，类型安全、参数规范、校验严谨
结构化输出	依赖JSON解析、正则匹配，稳定性差、易出错	结构化输出为一等能力，直接绑定Pydantic类，模型底层保障输出稳定
输出解析	纯文本输出，需手动正则解析，繁琐易出错	标准化content_blocks，统一封装推理、文本、工具调用结果，无需手动解析
扩展机制	无系统扩展方案，修改逻辑需改动源码或提示词	内置强大Middleware中间件系统，可在模型调用、工具执行全生命周期拦截扩展
多模态支持	适配不完善，无法无缝集成音视频、图片数据	完善多模态适配，支持多模态对话、多模态RAG等场景
异步性能	异步执行效率一般	深度优化异步逻辑，响应速度提升30%以上
包结构	结构混乱、模块耦合度高	结构清晰、轻量化拆分，老旧API迁移至langchain-classic，核心包简洁稳定
Python版本要求	Python ≥ 3.9	Python ≥ 3.10，全面升级Pydantic v2，依赖管理更严谨
适用场景	仅用于老旧项目维护，不推荐新项目使用	新项目首选，版本稳定、无破坏性变更，适配长期迭代

2.3 LangChain v1.2的主要模块

核心学习原则：无需掌握全部API，优先吃透核心模块逻辑，按需查阅零散API，将框架当作工具箱而非教科书。

langchain-core：核心API合集，包含Runnable、BaseMessage等底层基础接口，是框架核心基石；
langchain-classic：兼容层包，收纳v0.x版本中已废弃、不推荐使用的经典API，仅用于老旧项目适配；
langchain-community：第三方生态集成包，包含各类模型、工具、数据源适配能力，支持按需安装，避免项目臃肿；
langgraph：深度整合的工作流编排模块，支持多Chain、多Agent、多工具协同，具备循环调用、状态持久化能力，是复杂智能体的核心支撑。

2.4 官方API文档

官网：https://www.langchain.com/
Github地址：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查询文档：https://reference.langchain.com/python/langchain/overview

3、LangChain家族四大支柱

截至2025年11月，LangChain已从单一开发框架，迭代为覆盖AI智能体全生命周期的完整技术生态，核心由四大支柱组成，分别对应不同能力层级，形成从开发、编排、智能赋能到监控运维的闭环体系。

3.1 LangChain：智能体开发的基石（基础能力层）

作为生态核心与起点，LangChain提供模型调用、工具集成、中间件拓展、基础智能体搭建等全套底层能力，是所有上层AI应用的基础。核心价值：

统一模型抽象层：屏蔽OpenAI、Anthropic、Ollama等各类模型厂商的接口差异，提供标准化调用方式，支持无缝切换模型；
高度模块化设计：通过Message、Tool、Agent、Middleware等组件自由组合，灵活适配各类开发场景；
丰富生态集成：预置海量数据源、API、工具中间件，打造一站式AI能力开发枢纽。

适用场景：简单AI智能体、常规大模型应用开发，无复杂工作流编排需求。

3.2 LangGraph：复杂工作流的编排引擎（运行编排层）

针对多步骤、有状态、高复杂的智能体任务，LangGraph以有向图为核心设计思想，实现工作流的可视化、可控化编排。核心概念：

节点（Node）：独立功能单元或决策节点，执行具体任务逻辑；
边（Edge）：定义节点之间的执行顺序、流转条件与跳转逻辑；
状态（State）：全局共享上下文，持久化存储任务数据，实现节点间信息传递与断点续执行。

官方核心定位：快速起步用LangChain，复杂控制用LangGraph，二者协同互补。通俗理解：LangChain负责定义「AI有什么能力」，LangGraph负责管控「AI能力如何有序执行」。

3.3 Deep Agent：智能体自主执行框架（智能抽象层）

Deep Agent是全新升级的高级组件，基于LangChain+LangGraph构建，定位为智能体执行 harness，无需开发者从零搭建复杂逻辑，即可快速打造高自主、高规划能力的智能体。核心能力：

自主任务规划：自动拆解复杂目标、生成多步执行计划，支持动态调整任务策略；
虚拟文件系统：结构化存储任务中间结果与知识库，优化数据复用与管理；
子智能体协作：支持任务拆分、多子Agent分工执行，实现复杂场景协同作业；
长期记忆沉淀：结合LangGraph状态存储，实现跨会话、长期经验积累；
可扩展中间件：支持嵌入安全审计、性能监控、自定义业务逻辑。

3.4 三者协同关系

三大框架并非竞争关系，而是层层递进、互补协同的架构，复杂项目可同时复用：通过LangChain快速搭建基础能力，依托LangGraph打磨生产级稳定工作流，借助Deep Agent赋予智能体深度自主决策能力。

3.5 LangSmith：可视化监控与测试平台（监控运维层）

随着智能体逻辑复杂化，传统日志调试方式无法满足运维、迭代需求。LangSmith是官方配套的全链路监控、调试、评测平台，让智能体运行过程完全透明可控。核心能力：

全链路追踪：可视化记录模型调用、提示词输入、工具执行、结果输出的完整链路；
问题调试优化：精准定位运行异常、性能瓶颈、冗余调用等问题；
量化评测质控：支持人工审核+自动化评测，量化智能体输出质量；
团队协同迭代：支持多人共享测试集、调用记录，助力团队协作开发。

LangSmith的存在，让AI智能体实现「开发-调试-评测-部署-运维」的完整质量闭环。

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

4、开发前的准备工作

4.1 前置知识

1. Python 基础语法

需掌握变量、流程控制、函数、类与对象、装饰器、常用容器、JSON处理、异常处理、模块包管理、线程协程等基础知识点。LangChain生态支持Python、JavaScript双语言，其中Python版本功能最全、更新最快、社区最活跃，为核心开发语言。

2. 大语言模型基础

需了解LLM、Token、Prompt、Embedding等核心概念，熟悉主流模型厂商（OpenAI、Anthropic、阿里云百炼、DeepSeek等）的API调用逻辑，具备基础大模型使用认知。

4.2 相关环境安装

4.2.1 代码环境管理方案对比

相较于全局环境，虚拟环境可实现项目依赖隔离，避免版本冲突，是Python开发的标准选择。三种主流方案适配场景如下：

管理工具	管理Python包	管理非Python依赖	管理Python解释器	适用场景
conda	✅ 支持	✅ 支持（CUDA、编译器、系统库等）	✅ 支持	AI深度学习、科学计算、复杂底层依赖项目（本课程首选）
uv	✅ 支持	❌ 不支持	✅ 支持	纯Python项目、Web后端、LangChain应用、RAG应用
venv	✅ 支持	❌ 不支持	❌ 仅复用已有解释器	简单项目、教学演示、轻量环境隔离

4.2.2 Conda虚拟环境搭建

LangChain 1.2 强制要求 Python 3.10+，本课程统一使用 Python3.13.12 版本，完整搭建指令如下：

# 创建名为langchain1.2的虚拟环境，指定Python版本
conda create --name langchain1.2 python=3.13.12

# 查看所有已安装Python环境
conda env list

# 初始化conda环境（执行后需重启命令行）
conda init

# 激活指定虚拟环境
conda activate langchain1.2

# 验证Python版本
python -V

# 退出当前虚拟环境
conda deactivate

# 删除指定虚拟环境
conda remove --name langchain1.2 --all

4.2.3 LangChain包安装方式

优先使用conda安装，依赖校验更严格、稳定性更高；conda无对应包时，再使用pip安装。

方式一：conda安装（推荐）

# 安装指定稳定版本
conda install langchain==1.2.12

# 安装最新版本
conda install langchain

# 通过conda-forge频道安装（包更全、更新更快）
conda install -c conda-forge langchain==1.2.12

# 更新包
conda update langchain

# 卸载包
conda uninstall langchain

# 查看已安装依赖
conda list

方式二：pip安装（备用）

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

# 国内清华镜像加速（解决下载慢、超时问题）
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 升级版本
pip install --upgrade langchain==1.2.12

# 卸载包
pip uninstall langchain

# 查看已安装包
pip list

4.2.4 PyCharm开发环境配置

推荐使用PyCharm作为专业开发IDE，支持代码编辑、断点调试、版本管控、环境适配等全功能。安装地址：https://www.jetbrains.com/pycharm/download/other/#releases-2025

项目配置：新建工程，绑定上述conda创建的langchain1.2虚拟环境，通过以下代码验证环境生效：

1 2	import langchain print(langchain.__version__)

5、大模型核心应用场景详解

大模型应用技术特点：入门门槛低、落地天花板高，核心聚焦四大落地场景。

5.1 RAG检索增强生成

1. 核心背景痛点

知识冻结：大模型训练周期长、成本高，无法实时学习最新行业数据、动态信息，存在知识时效性短板；
模型幻觉：面对未训练过的领域知识，模型易编造虚假信息，输出准确率无法保障。

2. 核心原理

RAG（Retrieval-Augmented Generation，检索增强生成），核心是「先检索、后增强、再生成」。通过对私有/实时知识库解析、分块、向量化存储，用户提问时，先检索相似上下文，将真实数据注入提示词，辅助大模型生成精准答案。

3. 完整执行流程

非结构化数据加载 → 文本分块 → 向量嵌入转换 → 向量库存储索引 → 用户提问向量化 → 相似度检索 → 提示词拼接（用户问题+检索上下文） → LLM生成精准答案

4. 核心难点与优化方案

文件解析：PDF、Excel等文件含图片、表格、特殊格式，解析难度高；
文本切割：无通用切割规则，需适配不同文档结构定制策略；
检索精准度：文档量增大后，简单向量检索易召回无关内容；
优化方案（Reranker重排）：对初步召回的内容二次精准排序，过滤无效信息，大幅提升问答准确率。

5. Reranker适用场景

✅ 适合：专业知识库、智能客服、高精度问答等对内容相关性要求极高的场景；

❌ 不适合：对响应速度敏感、低精度需求的轻量化场景（会增加延迟与成本）。

5.2 Agent智能体开发

1. 核心定义

现代AI Agent核心公式：Agent = LLM + Planning + Tools + Memory + Action。以大模型为大脑，搭配任务规划、工具调用、记忆存储、主动执行能力，实现自主完成复杂任务。该架构由OpenAI研究员翁丽莲首次系统化提出。

2. 五大核心模块详解

LLM（大脑中枢）：核心决策单元，负责信息理解、逻辑推理、任务决策，适配各类未知复杂场景；
Planning（任务规划）：通过思维链（CoT）拆解复杂目标，拆分多步子任务，支持任务反思与策略优化；
Tools（工具调用）：对接外部API、数据库、第三方服务，突破大模型原生能力边界；
Memory（记忆机制）
- 短期记忆：存储单轮对话上下文，受模型Token窗口限制；
- 长期记忆：依托向量数据库、知识图谱、模型微调，留存跨会话、长期用户偏好与任务经验；
Action（主动执行）：落地决策结果，完成检索、编程、数据处理、第三方操作等实际任务，杜绝“纸上谈兵”。

5.3 大模型四大应用场景选型指南

场景1：纯Prompt交互

最简应用模式，通过人工输入提示词、单次交互获取结果，适合简单问答、文案生成、临时需求，无复杂逻辑与外部依赖。

场景2：Agent + Function Calling

AI自主感知任务需求，主动调用外部函数/API完成操作，适合需要外部数据查询、业务系统操作的复杂交互场景。

场景3：RAG检索增强生成

依托私有知识库、实时数据优化输出，解决模型知识滞后、幻觉问题，广泛应用于智能客服、企业知识库问答、文档解析等场景。

场景4：Fine-tuning模型微调

通过海量行业数据微调模型，固化专属领域知识与输出风格，适配高精度、强专属场景。成本最高、优先级最低，仅在前三种方案无法满足需求时使用。

5.4 技术方案选型思路

常规开发优先级：纯Prompt → RAG → Agent调用 → 模型微调，优先用低成本、高效率方案落地，复杂场景再逐步迭代升级。

大模型

01-LangChain 1.2 概述

背景

第01章：LangChain 1.2 概述

1、为什么需要LangChain？

1.1 从传统应用到智能体时代

1.2 单一的大语言模型的局限性

1.3 LangChain框架的定位

1.4 LangChain的应用场景

1. 检索增强生成 (RAG)

2. Agent 智能体构建

3. 对话系统与聊天机器人

4. 多模态应用开发

5. 自动化写作与格式生成

6. 数据连接与结构化处理

2、LangChain是什么？

2.1 LangChain的发展时间线

第1阶段：诞生（2022年10月）

第2阶段：探索期（2022年Q4—2023年Q1）

第3阶段：体系化阶段（2023年Q2—2023年Q4）

第4阶段：平台化阶段（2024年—2025年上半年）

第5阶段：深层智能体阶段（2025年下半年至今）

2.2 LangChain的两个重要版本

1、LangChain v0.3版本：架构过渡阵痛期

2、LangChain v1.x版本：AI开发新范式

版本对比：LangChain v0.3 VS LangChain v1.2

2.3 LangChain v1.2的主要模块

2.4 官方API文档

3、LangChain家族四大支柱

3.1 LangChain：智能体开发的基石（基础能力层）

3.2 LangGraph：复杂工作流的编排引擎（运行编排层）

3.3 Deep Agent：智能体自主执行框架（智能抽象层）

3.4 三者协同关系

3.5 LangSmith：可视化监控与测试平台（监控运维层）

4、开发前的准备工作

4.1 前置知识

1. Python 基础语法

2. 大语言模型基础

4.2 相关环境安装

4.2.1 代码环境管理方案对比

4.2.2 Conda虚拟环境搭建

4.2.3 LangChain包安装方式

方式一：conda安装（推荐）

方式二：pip安装（备用）

4.2.4 PyCharm开发环境配置

5、大模型核心应用场景详解

5.1 RAG检索增强生成

1. 核心背景痛点

2. 核心原理

3. 完整执行流程

4. 核心难点与优化方案

5. Reranker适用场景

5.2 Agent智能体开发

1. 核心定义

2. 五大核心模块详解

5.3 大模型四大应用场景选型指南

场景1：纯Prompt交互

场景2：Agent + Function Calling

场景3：RAG检索增强生成

场景4：Fine-tuning模型微调

5.4 技术方案选型思路

喜欢这篇文章？打赏一下作者吧

目录

最新文章

分类

归档

标签