LangChain 概述：给大模型装上“手脚“的框架，到底怎么用？

瓦罗兰特顶级C位

403人浏览 · 2026-04-01 10:51:55

瓦罗兰特顶级C位 · 2026-04-01 10:51:55 发布

LangChain 概述

LangChain 是一个用于构建大语言模型（LLM）应用的开源框架，通过模块化设计将 Prompt、Model、Memory、Chain、Agent、Tool 等核心组件有机组合，使开发者能够快速构建复杂的 AI 应用。以下覆盖 LangChain 的框架定位、核心设计理念、版本演进以及生态系统。

概念速览

一、LangChain 是什么

1.1 框架定位

通俗理解：如果把 LLM 比作一个聪明的大脑，那么 LangChain 就是给这个大脑装上「手脚」的框架。光有大脑只能思考（聊天），装上手脚才能真正做事——查天气、搜网页、读文件、调用公司内部系统。

LangChain 的官方定位是：构建基于大语言模型的智能体和应用程序的最简单方式。

LangChain 解决的核心问题：

1.2 LangChain 能做什么

通俗理解：光靠 ChatGPT 只能聊天，但通过 LangChain，你可以让 AI 查天气、搜网页、读文件、写代码、调用公司内部 API，甚至自己决定该做什么。

典型应用场景：

二、核心设计理念

2.1 模块化：像搭积木一样构建应用

通俗理解：LangChain 把构建 AI 应用所需的各种能力拆成了一块块「积木」，你可以根据需求自由组合。需要记忆？加上 Memory 积木。需要搜索？加上 Retriever 积木。这种设计让开发变得灵活且可维护。

LangChain 的核心设计哲学是模块化（Modular）、可组合（Composable）、可扩展（Extensible）。

模块化的好处：

2.2 可组合：用管道操作符串联流程

LangChain 引入了 LCEL（LangChain Expression Language），使用管道操作符 | 将组件串联，代码简洁直观：

# LCEL 风格：声明式、可读性强
chain = prompt | model | parser

# 等价于传统写法
def chain(input):
    formatted = prompt.format(input)
    response = model.invoke(formatted)
    result = parser.parse(response)
    return result

关键理解：LCEL 的核心是 Runnable 协议，所有组件都实现了统一的 invoke/batch/stream/ainvoke 接口，这使得组件可以像水管一样自由连接。

2.3 可扩展：统一接口屏蔽厂商差异

通俗理解：无论你用 OpenAI、Claude、通义千问还是本地模型，LangChain 都提供统一的调用方式。就像用 USB 接口一样，不管插什么设备，接口都是一样的。

统一接口的价值：

避免厂商锁定：随时切换模型提供商
降低学习成本：学一套 API，适用所有模型
简化代码维护：切换模型只需改一行配置

三、版本演进

3.1 版本历史概览

版本说明：截至 2026 年 2 月，LangChain 当前版本为 v1.2.8。

3.2 各版本重点变化

3.3 v1.0 重要更新

Agent 创建方式的变化：

# v1.0 推荐方式：统一 create_agent API（底层基于 LangGraph）
from langchain.agents import create_agent
from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取城市天气信息"""
    weather_db = {
        "北京": "晴天，15-25°C",
        "上海": "多云，18-28°C",
    }
    return weather_db.get(city, f"{city}的天气暂不可用")

# 创建 Agent
agent = create_agent(
    model=llm,
    tools=[get_weather],
    system_prompt="你是一个智能助手，可以查询天气信息。"
)

# 调用
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京天气怎么样？"}]
})

关键理解：v0.3 的 Agent 底层基于 LangGraph 实现，获得了持久化执行、流式传输、人机协作等高级能力。

四、生态系统

4.1 包结构全景

通俗理解：LangChain 把功能拆成了多个独立的包，就像乐高积木分成不同系列。核心包是必须的，集成包按需安装，这样既保持轻量，又能灵活扩展。

4.2 核心包说明

注意：langserve 已被官方建议弃用，新项目推荐使用 LangGraph Platform 进行 API 服务部署。

4.3 LangGraph：Agent 的底层引擎

LangChain 官方将产品分为三个层级：Deep Agents（开箱即用的高级 Agent）→ LangChain（快速构建 Agent 和应用）→ LangGraph（底层编排框架）。简单应用用 LangChain，复杂工作流用 LangGraph。

LangChain 产品层级选择建议：

4.4 LangSmith：生产环境的守护者

通俗理解：LangSmith 就像 LLM 应用的「监控摄像头」，它能记录每一次调用的完整过程，帮你定位问题、优化性能、评估质量。在生产环境中，没有可观测性就像盲人摸象。

LangSmith 核心功能：

启用 LangSmith ：

import os

# 在代码最前面添加
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "你的 LangSmith API Key"

# 然后正常使用 LangChain，追踪自动开启

五、快速示例

5.1 环境搭建

# 创建虚拟环境（推荐）
python -m venv langchain_env
source langchain_env/bin/activate  # Mac/Linux
# langchain_env/Scripts/activate   # Windows

# 安装核心包
pip install langchain langchain-core

# 根据使用的模型安装对应包
pip install langchain-openai       # OpenAI
pip install langchain-anthropic    # Claude
pip install dashscope              # 通义千问

# Agent 必装（v0.3 基于 LangGraph）
pip install langgraph

# 可选：环境变量管理
pip install python-dotenv

5.2 配置 API Key

创建 .env 文件：

# OpenAI
OPENAI_API_KEY=sk-xxx

# 通义千问
DASHSCOPE_API_KEY=sk-xxx

# Claude
ANTHROPIC_API_KEY=sk-xxx

# LangSmith（可选）
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=xxx

5.3 第一个 LangChain 应用

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

load_dotenv()

# 1. 初始化模型
model = ChatOpenAI(model="gpt-4")

# 2. 定义 Prompt 模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位{role}，擅长用简洁易懂的方式解释概念。"),
    ("human", "请解释：{concept}")
])

# 3. 定义输出解析器
parser = StrOutputParser()

# 4. 用 LCEL 组合成 Chain
chain = prompt | model | parser

# 5. 调用
result = chain.invoke({
    "role": "物理学教授",
    "concept": "量子纠缠"
})
print(result)

4.4 第一个 Agent

from langchain.agents import create_agent
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

# 1. 定义工具
@tool
def get_weather(city: str) -> str:
    """获取城市天气信息"""
    weather_db = {
        "北京": "晴天，15-25°C",
        "上海": "多云，18-28°C",
    }
    return weather_db.get(city, f"{city}的天气暂不可用")

# 2. 初始化模型
llm = ChatOpenAI(model="gpt-4")

# 3. 创建 Agent
agent = create_agent(
    model=llm,
    tools=[get_weather],
    system_prompt="你是一个智能助手，可以查询天气信息。"
)

# 4. 调用
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京天气怎么样？"}]
})

print(result["messages"][-1].content)

关键要点回顾

1. LangChain 是智能体工程平台：让大模型能够调用工具、访问数据、执行任务，而不只是聊天
2. 模块化设计是核心：组件独立可用、自由组合、易于替换，像搭积木一样构建应用
3. LCEL 是推荐的编程范式：使用管道操作符 | 声明式组合组件，代码简洁可读
4. v0.3 深度整合 LangGraph ：Agent 底层基于 LangGraph，获得状态管理、人机协作等高级能力
5. 生态系统分层清晰：core（核心抽象）→ langchain（高层封装）→ community/integrations（集成）→ langgraph（运行时）→ langsmith（平台）