---

一、LangChain 概述

LangChain 是一个开源框架，专为构建由大语言模型（LLMs）驱动的自定义智能体和应用程序设计。其核心价值在于：

• 简化 LLM 集成：仅需不到 10 行代码，即可连接 OpenAI、Anthropic、Google 等主流平台
• 预制智能体架构：提供开箱即用的 agent 设计模式，无需从零搭建
• 无缝扩展能力：支持工具集成、上下文管理、流式传输等关键功能
• 生态兼容：与 LangGraph、LangSmith 等工具深度协同，覆盖从开发到部署全流程

官方定位：快速构建智能体和自主应用的「快车道」，降低 LLM 落地门槛。

---

二、快速入门：5 分钟创建第一个智能体

1. 安装依赖

# 安装 LangChain 及 Anthropic 集成包
pip install -qU langchain "langchain[anthropic]"

2. 完整示例代码

from langchain.agents import create_agent

# 定义工具函数（示例：获取天气）
def get_weather(city: str) -> str:
    """Get weather for a given city.（获取指定城市天气）"""
    return f"It's always sunny in {city}!"  # 示例返回，实际可对接真实天气 API

# 创建智能体
agent = create_agent(
    model="claude-sonnet-4-6",  # 模型名称（支持 OpenAI/Anthropic 等）
    tools=[get_weather],        # 绑定工具函数
    system_prompt="You are a helpful assistant（你是一个乐于助人的助手）",
)

# 运行智能体
result = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf（旧金山天气如何）"}]}
)

print(result)
# 输出：It's always sunny in sf!

3. 下一步

• 详细安装指南：LangChain 官方安装文档
• 快速入门教程：LangChain Quickstart
• 调试工具：使用 LangSmith 追踪请求、调试行为（需设置环境变量 LANGSMITH_TRACING=true 并配置 API 密钥）

---

三、LangChain 核心优势

1. 标准模型接口（Standard model interface）

• 问题：不同 LLM 提供商（OpenAI/Anthropic/Google）的 API 格式不一致，切换成本高
• 解决方案：LangChain 标准化交互方式，无缝替换模型提供商，避免 vendor lock-in（供应商锁定）
• 详情：LangChain 模型集成文档

2. 易用且灵活的智能体（Easy to use, highly flexible agent）

• 低门槛：10 行代码构建基础智能体
• 高扩展性：支持自定义上下文工程、工具链、工作流
• 详情：LangChain 智能体文档

3. 基于 LangGraph 构建（Built on top of LangGraph）

• 核心能力：持久执行、流式传输、人机协作（Human-in-the-loop）、状态持久化
• 优势：无需了解 LangGraph 即可使用基础功能，进阶场景可深度定制
• 详情：LangGraph 官方文档

4. LangSmith 调试支持（Debug with LangSmith）

• 可视化工具：追踪执行路径、捕捉状态转换、查看运行时指标
• 核心价值：降低复杂智能体的调试难度，提升开发效率
• 详情：LangSmith 官方文档

---

四、LangChain vs. LangGraph vs. Deep Agents 对比

工具	定位	核心场景	推荐人群
Deep Agents	「电池内置」的智能体（Batteries-included）	快速开发生产级智能体，需长对话压缩、虚拟文件系统等功能	追求开发效率，无需深度定制的用户
LangChain	通用智能体框架	自定义智能体/应用，平衡易用性和扩展性	大多数开发者（入门到进阶）
LangGraph	低级智能体编排框架+运行时	复杂工作流（确定性+智能体混合）、深度定制	高级开发者、复杂场景需求者

关键说明：

• Deep Agents 是 LangChain Agents 的具体实现，内置高级功能
• LangChain Agents 基于 LangGraph 构建，继承其核心能力
• 选择逻辑：先从 Deep Agents 尝试，需定制化则切换到 LangChain，复杂场景再用 LangGraph

---

五、核心组件与功能模块

1. 核心组件（Core components）

• Agents（智能体）：决策与工具调用核心
• Models（模型）：LLM/嵌入模型集成
• Messages（消息）：对话交互标准化
• Tools（工具）：外部工具集成（API/数据库等）
• Short-term memory（短期记忆）：对话上下文管理
• Streaming（流式传输）：实时输出响应
• Structured output（结构化输出）：格式化结果返回

2. 中间件（Middleware）

• 预构建中间件：Prebuilt middleware
• 自定义中间件：Custom middleware

3. 前端支持（Frontend）

• 前端集成方案：Frontend Overview
• 交互模式与集成案例

4. 高级用法（Advanced usage）

• Guardrails（护栏）：内容安全与合规控制
• Runtime（运行时）：执行环境优化
• Context engineering（上下文工程）：提升 LLM 响应质量
• Model Context Protocol (MCP)（模型上下文协议）：跨平台文档连接
• Human-in-the-loop（人在回路）：人工干预与反馈
• Multi-agent（多智能体）：协作完成复杂任务
• Retrieval（检索）：外部知识检索
• Long-term memory（长期记忆）：持久化记忆存储

---

六、开发与部署工具

1. 智能体开发

• LangSmith Studio：可视化开发环境
• Test（测试）：智能体行为测试工具
• Agent Chat UI：开箱即用的聊天界面

2. 部署与可观测性

• Deployment：部署指南
• Observability：运行状态监控

---

七、相关资源

官方资源

• LangChain 官网
• GitHub 仓库
• LangChain Academy：学习课程
• Forum（社区论坛）
• Changelog（更新日志）
• Trust Center（信任中心）

社交平台

• X（Twitter）
• LinkedIn
• YouTube 频道

---

本文基于 LangChain 官方文档整理，如需获取最新信息，请访问 LangChain 官方文档。
如有疑问或补充，欢迎在评论区交流！

---