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_agentfrom langchain_core.tools import tool@tooldef 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 Agentagent = 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_envsource 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       # OpenAIpip install langchain-anthropic    # Claudepip 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：

# OpenAIOPENAI_API_KEY=sk-xxx# 通义千问DASHSCOPE_API_KEY=sk-xxx# ClaudeANTHROPIC_API_KEY=sk-xxx# LangSmith（可选）LANGCHAIN_TRACING_V2=trueLANGCHAIN_API_KEY=xxx

5.3 第一个 LangChain 应用

from dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserload_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 Chainchain = 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_agentfrom langchain_core.tools import toolfrom langchain_openai import ChatOpenAI# 1. 定义工具@tooldef 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 Agentagent = 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. 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. 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. 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. 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. 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）

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】