1. 底层基础：LangChain Core

这是整个框架的灵魂与基石，定义了所有组件的“标准接口”（如模型、提示词、输出解析器）。

• 核心引擎： 包含最关键的 LCEL (LangChain Expression Language)。它基于 Runnable 协议，让你像搭水管一样，通过 | 管道符将不同组件无缝拼接。
• 生产级特性： 基于 LCEL 组合的链，原生自动支持 .stream()（流式输出）、.batch()（并发批处理）和 .astream_log()（中间步骤日志），无需额外编写代码。
• 特点： 极其轻量级，本身不包含任何第三方的具体实现。

2. 第三方集成层：Community & Partner Packages

大模型应用需要和各种外部世界打交道，这一层专门负责“连接”。

• Partner Packages (官方合作伙伴包)： 针对主流大厂（如 langchain-openai, langchain-google-genai, langchain-anthropic）提供的独立、深度的集成包。
• LangChain Community (社区包)： 包含了社区贡献的成百上千种外部工具集成（如 MySQL、Notion、天气预报 API 等）。
• MCP 协议支持： 2026 年新增了对 Model Context Protocol 的支持，标准化了工具与数据的接入方式，实现跨框架的工具互操作性。

3. 应用拼装层：LangChain

日常写应用代码最常导入的地方。

• 作用： 利用 Core 层的标准和集成层的工具，提供开箱即用的高级功能。
• 内容： 包含复杂的检索策略 (Retrievers，用于 RAG 应用)、基础智能体逻辑，以及中间件（Middleware）机制（允许在代理执行的生命周期中插入自定义的日志、限流或护栏逻辑）。

4. 核心运行时与外围护城河：LangChain 家族三剑客

除了写代码的库，LangChain 官方还提供了三个强大的外围工具，覆盖了应用的开发、部署和监控全生命周期：

• LangGraph (高级编排与运行时)：
  • 定位升级： 它已不再是单纯的外围工具，而是深度整合为 LangChain 的底层编排调度层。
  • 核心能力： 传统的单向 Agent 已被淘汰。LangGraph 允许你将应用构建为“有向状态图”，支持多轮循环思考、状态持久化（断线续跑）、多 Agent 协作（如写代码与测试 Agent 配合），以及原生的人工介入（Human-in-the-loop）审核节点。
• LangServe (部署上线)：
  • 用最简单的代码将 LangChain 应用转换为标准的 RESTful API。自带可视化的测试界面，并能自动处理流式输出（打字机效果）。
• LangSmith (调试与监控)：
  • 大模型应用必备的 LLMOps 平台。在后台记录每一次模型调用的完整 Trace（追踪）、耗时、Token 花费以及 Prompt 替换过程。最新的 LangSmith Engine 甚至能自动从生产环境的 Trace 中发现错误模式，起草修复方案，实现开发循环的自主闭环。

LangChain 的核心模块

一、 六大核心模块详解

1. Model I/O (模型输入输出)
   • Prompt Templates： 提示词模板，解决如何标准化地将用户输入转化为模型指令。
   • Language Models： 封装了不同厂家的接口（如 OpenAI, Claude, Llama 3），让你用统一的代码调用不同模型。
   • Output Parsers： 输出解析器，非常关键！它能将模型返回的字符串解析成 JSON、Pydantic 对象或列表，方便后端程序处理。
2. Retrieval (检索/RAG)
   • 目前最实用的模块。包含文档加载（Loader）、文本分割（Splitter）、向量化（Embeddings）和向量数据库（Vector Stores）。
   • 生产建议： 现代 RAG 通常采用“向量检索 + BM25 + Cross-Encoder Rerank（重排序）”的混合检索架构，以确保极高的准确率。
3. Composition (LCEL 表达式语言)
   • LangChain 的“胶水”。通过 | 符号，你可以像写 Unix 管道命令一样，把 Prompt、Model 和 Parser 串联起来。
   • 重点： 现在的 LangChain 开发基本都围绕 LCEL 展开，它是链式调用的核心。
4. Memory (记忆与状态管理)
   • LLM 本身是无状态的。该模块负责存储和检索对话历史，让模型在多轮对话中“记得”之前的上下文。
   • 最新演进： 现在的 Memory 已演变为综合性的数据管理概念，不仅包含会话期间的短期状态（State），还引入了跨会话的持久化长期存储（Store）。
5. Agents (智能体与 Deep Agents)
   • 让模型自己决定下一步该做什么。比如，模型发现需要查实时天气，它会自动调用你给它的“天气工具”。
   • 最新演进 (Deep Agents)： 针对复杂、长周期的自主任务，LangChain 推出了 Deep Agents 框架。它内置了规划工具（To-do List）、虚拟文件系统（防止上下文溢出）和子 Agent 派遣能力，就像给 AI 配备了一个项目经理。
6. Callbacks (回调系统)
   • 用于日志记录、监控和调试。你可以追踪每一个 Token 的生成过程和耗时，是接入 LangSmith 等可观测性工具的底层基础。

Model I/O (模型输入输出)

Model I/O (模型输入输出)

Prompt功能

PromptTemplate

Output Parser

Output Parser 输出解析器