跳到主要内容

框架介绍

LangChain 是一个构建 LLM 应用的框架，目标是把 LLM 与外部工具、数据源和复杂工作流连接起来。

LangChain 1.0 版本把"Agent 的稳定化、结构化输出、可观测性与生产化"作为核心改进目标。

用 LangChain 能做什么？​

  • 构建 RAG 问答系统：结合外部知识库检索
  • 构建 Agent：调用外部 API（搜索、数据库、文件系统）执行多步任务
  • 组织流水线：prompt → 模型 → 后处理的可复用链（Chains）
  • 多轮对话：带记忆（Memory）与长会话管理
  • 生产监控：配合 LangSmith/LangGraph 实现可观测性

核心价值：10行代码完成原本需要1000行的 AI 应用，并且具有状态持久化、人工干预、并发控制等企业级能力。

提示

统一智能体抽象 + 标准化内容表示 + 可插拔治理中间件

LangChain 生态概览​

层级核心内容
模型层init_chat_model() 统一接口，适配 20+ 厂商
工具层@tool 装饰器、100+ 内置工具、Toolkit
记忆层短期记忆（消息历史）、长期记忆（向量数据库）
Agent 层create_agent() 核心 API，基于 LangGraph
工作流层Chain（串联）、LangGraph（条件分支、循环）
监控层LangSmith 可视化追踪、LangChain Evaluate

关键组件：

  • LangGraph：底层 Agent 调度框架，解决复杂控制流问题
  • LangServe：将 chain/agent 部署为 REST API

底层运行架构​

┌─────────────────────────────────────────┐
│        LangChain 应用层                   │
│  (create_agent, 工具和中间件)            │
└──────────────────┬──────────────────────┘
                   ▼
┌─────────────────────────────────────────┐
│        LangGraph 编排层                   │
│  (StateGraph, Nodes, Edges, Checkpoints)│
└──────────────────┬──────────────────────┘
                   ▼
┌─────────────────────────────────────────┐
│        LCEL 运行时层                      │
│  (Runnable接口, | 运算符, 流式/批处理)   │
└──────────────────┬──────────────────────┘
                   ▼
┌─────────────────────────────────────────┐
│        大语言模型 API                     │
│   (OpenAI / DeepSeek / Ollama 等)       │
└─────────────────────────────────────────┘
  • LCEL：无状态的函数式编排，构建"流水线"
  • LangGraph：有状态的图结构编排，构建"流程图"（支持循环、条件分支、持久化）

Runnable 执行引擎​

Runnable 是 LangChain 1.0 的统一接口标准，所有组件都被抽象为 Runnable：

  • LLM、Prompt、Parser、Retriever、Tool、Agent、自定义函数

统一调用方式：.invoke()、.batch()、.stream()、.astream_events()

快速入门示例​

# 安装：pip install langchain langchain-openai
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 定义模型
model = ChatOpenAI(model="gpt-4o-mini")

# 2. 定义 Prompt
prompt = ChatPromptTemplate.from_template("Tell me a joke about {topic}")

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

# 4. 组装链（使用 | 运算符）
chain = prompt | model | parser

# 5. 调用
result = chain.invoke({"topic": "ice cream"})
print(result)

定义自定义工具​

from langchain_core.tools import tool

@tool
def multiply(a: int, b: int) -> int:
    """Multiplies a and b."""
    return a * b

# 调用方式
print(multiply.invoke({"a": 2, "b": 3}))    # 输出: 6
print(multiply.batch([{"a": 2, "b": 3}, {"a": 4, "b": 5}]))  # 输出: [6, 20]

创建 Agent​

from langchain.agents import create_agent

# 定义工具
@tool
def get_weather(city: str) -> str:
    """Get weather for a city."""
    return f"It's sunny in {city}!"

# 创建 Agent（10行代码）
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="You are a helpful assistant"
)

# 调用
result = agent.invoke({
    "messages": [{"role": "user", "content": "What's the weather in Beijing?"}]
})

技术对比​

技术角色
LangChain组件生态（LLM + prompt + tool + parser）
LangGraph底层编排框架（Agent / 多步工作流 / 状态机）
LCEL / Runnable底层执行引擎（统一接口 +