文章目录前言一、为什么需要 LangChain1.1 单一大模型的三大硬伤1.2 LangChain 的三大核心定位1.3 六大核心应用场景二、LangChain 发展历程从链式调用到智能体平台2.1 五年五阶段2.2 v0.3 vs v1.x一次脱胎换骨的升级2.3 v1.2 包结构设计三、LangChain 家族四大支柱3.1 LangChain智能体的操作系统内核3.2 LangGraph复杂工作流的编排引擎3.3 Deep Agent让智能体真正自主3.4 LangSmith驾驶舱仪表盘四、两大核心应用场景深度解析4.1 RAG检索增强生成为什么需要 RAGRAG 工作流程关键挑战4.2 Agent让模型动手做事Agent 的核心公式4.3 技术选型决策树五、5 分钟快速上手5.1 环境准备5.2 前置知识清单六、总结前言2022年底ChatGPT 横空出世大语言模型LLM的能力惊艳了世界。然而当开发者尝试将 LLM 落地到实际业务中时很快发现了一个尴尬的现实——单靠一个大模型远远不够。它不知道今天的天气查不了公司数据库甚至记不住上一轮对话你说了什么。正是在这样的背景下Harrison Chase 在哈佛大学创建了 LangChain一个旨在连接大语言模型与外部世界的开源框架。三年多过去LangChain 已从一个简单的 Python 库成长为估值超 12 亿美元的 AI 智能体平台。本文将带你系统了解 LangChain 的核心理念、架构演进和实战场景。一、为什么需要 LangChain1.1 单一大模型的三大硬伤尽管 GPT-4、Claude 等模型在推理和生成方面表现出色但它们在真实业务场景中暴露了三个致命短板局限说明知识冻结训练数据有截止日期无法获取训练之后的新信息孤岛困境无法直接查询数据库、调用 API、读取文件系统失忆症多轮对话中上下文窗口有限难以维持长对话的连贯性简单来说LLM 是一个聪明的大脑但它被关在一个没有感官、没有记忆、没有工具的密封房间里。LangChain 的使命就是打开这扇门。1.2 LangChain 的三大核心定位LangChain 作为大模型与业务应用之间的中间层核心围绕三个目标打通大模型与外部资源提供统一接口对接数据库、检索引擎、API、文件系统等封装底层复杂逻辑将工具调用、记忆管理、链式编排等能力抽象为简单 API大幅降低开发门槛支撑多智能体协作依托 LangGraph 等生态组件从单智能体拓展到多智能体复杂系统1.3 六大核心应用场景场景典型用例RAG检索增强生成基于企业知识库的智能问答、法律文书检索Agent 智能体自动化数据分析、智能客服工作流对话系统带记忆的多轮聊天机器人多模态应用图文理解、语音转文字 LLM 分析自动化写作根据模板自动生成报告、合同、邮件二、LangChain 发展历程从链式调用到智能体平台2.1 五年五阶段阶段时间里程碑诞生2022年10月Harrison Chase 创建核心理念Language Chain探索期2022 Q4 - 2023 Q1PromptTemplate、LLMChain 等基础模块GitHub Star 破万体系化2023 Q2 - Q4引入 Tool、Agent、Retrieval 概念LangSmith 与 LangChain Hub 发布平台化2024 - 2025 上半年LangGraph 与 LangServe 发布从框架升级为平台深层智能体2025 下半年至今Deep AgentAgent Harness推出支持多智能体复杂系统2.2 v0.3 vs v1.x一次脱胎换骨的升级LangChain 早期版本因 API 变动频繁被社区戏称为版本碎钞机。2025 年 10 月LangChain v1.0.0 正式发布首次承诺 2.0 前无破坏性变更标志着框架走向成熟。维度v0.3v1.2核心架构以 Chain 为核心以 Agent 为核心底层基于 LangGraphAgent 构建initialize_agent 旧 APIcreate_agent 标准入口工具定义tool 装饰器类型安全性弱Pydantic Schema 定义强类型结构化输出JSON Parser 正则Structured Output 直接绑定 Pydantic扩展机制无系统性方式Middleware 中间件系统异步性能一般响应速度提升 30%Python 版本 3.9 3.10建议所有新项目直接使用 LangChain v1.2老旧项目才考虑继续维护 v0.3。2.3 v1.2 包结构设计LangChain v1.2 贯彻了核心最小化供应商分离的设计原则langchain-core核心 APIRunnable、BaseMessage 等基础抽象langchain-classic已弃用的旧版 Chains 等 APIlangchain-community第三方集成模型供应商按需安装如 langchain-openai、langchain-anthropiclanggraph深度整合的工作流编排引擎三、LangChain 家族四大支柱截至 2025 年 11 月LangChain 生态由四大核心产品构成支柱定位一句话理解LangChain基础能力层提供 LLM/Tool/Message 的标准化抽象LangGraph运行时编排层用有向图编排复杂工作流Deep Agent智能体抽象层Agent 的执行框架赋予自主规划能力LangSmith监控与评估层可视化追踪、调试与评测平台3.1 LangChain智能体的操作系统内核统一封装了各种模型服务商OpenAI、Anthropic、Ollama、DeepSeek 等的接口差异提供高度模块化的 Message、Tool、Agent、Middleware 组件。3.2 LangGraph复杂工作流的编排引擎LangGraph 将智能体的内部逻辑抽象为一张有向图节点Node独立功能单元或决策点边Edge节点之间的流转条件与路径状态State共享上下文在节点间传递并持久化可以这样理解二者的分工LangChain回答有什么能力——它定义了 LLM、Tool、Message 的标准接口。LangGraph回答怎么跑——它通过状态机和工作流来编排这些能力的执行顺序。3.3 Deep Agent让智能体真正自主Deep Agent 被定位为Agent Harness智能体执行框架构建于 LangChain 与 LangGraph 之上提供显式规划自主生成并动态调整多步任务计划虚拟文件系统结构化存储中间结果子智能体任务在多 Agent 间分解与协作长期记忆跨对话的经验积累可扩展中间件嵌入安全审计、性能监控等业务逻辑3.4 LangSmith驾驶舱仪表盘LangSmith 为开发者提供了全链路追踪、性能调试、质量评测和团队协作的可视化平台是 LangChain 生态的运维大脑。官方推荐策略快速起步用 LangChain → 复杂控制用 LangGraph → Deep Agent 赋予更强自主能力。三者不是竞争关系可以同时使用。四、两大核心应用场景深度解析4.1 RAG检索增强生成为什么需要 RAGLLM 有两个根本问题知识有时效性训练截止日期和幻觉不懂装懂。RAG 的思路很直接——让模型回答之前先去查资料。RAG 工作流程用户提问 → 将问题转为向量Embedding → 在向量数据库中做相似度搜索 → 召回最相关的文档片段作为上下文 → 拼入 Prompt上下文 用户问题 → 发给 LLM → 生成有据可依的回答背后依赖的技术栈文档加载器Unstructured Loader解析 PDF/Word/TXT 等格式文本切分器Text Splitter将长文档切为合适大小的 Chunk嵌入模型Embedding Model将文字转为向量向量数据库Vector DB存储与检索向量重排序器Reranker对初召回结果精排提升准确率关键挑战RAG 看似直接实则每一步都有坑PDF 里的表格和图片如何解析文档切多大合适知识库大了召回率怎么保证这些正是 LangChain 封装的价值所在。4.2 Agent让模型动手做事如果说 RAG 给了 LLM 一本参考书那 Agent 就是给了它一整套工具箱。Agent 的核心公式Agent LLM大脑 Planning规划 Tools工具 Memory记忆 Action行动模块角色举例LLM决策中枢理解意图、推理下一步Planning任务分解用思维链将帮我订机票拆为查航班→比价→下单Tools能力扩展调用搜索引擎、数据库、APIMemory上下文保持记住你的偏好和对话历史Action执行落地实际调用工具或输出结果4.3 技术选型决策树实际开发中如何选择技术路线可以这样判断纯问答 → 直接用 Prompt场景一 需要外部数据 → RAG场景三 需要调用系统/API → Agent Function Calling场景二 前三者搞不定 → Fine-tuning 微调场景四成本最高核心原则能用 Prompt 解决的不用 RAG能用 RAG 的不用微调。微调是最后手段而非首选。五、5 分钟快速上手5.1 环境准备LangChain v1.2 要求Python 3.10推荐使用 conda 管理环境# 创建虚拟环境conda create--namelangchain1.2python3.13.12# 激活环境conda activate langchain1.2# 安装 LangChaincondainstalllangchain1.2.12# 国内用户可换 pip 镜像加速pipinstalllangchain1.2.12-ihttps://pypi.tuna.tsinghua.edu.cn/simple验证安装importlangchainprint(langchain.__version__)5.2 前置知识清单在深入 LangChain 之前建议掌握Python 基础装饰器、异步编程、类型注解LLM 基础概念Token、Prompt、Embedding、上下文窗口至少熟悉一个模型服务商OpenAI API / Anthropic / 阿里云百炼 / DeepSeek 等六、总结LangChain 的演进史本质上反映了 AI 应用开发范式的变迁从写死 Prompt 调模型的简单思维到让模型自主规划、调用工具、记住对话的智能体思维。几个关键认知单一 LLM ≠ 可用应用LangChain 解决的是 LLM 与真实世界的连接问题v1.x 是分水岭API 稳定、类型安全、以 Agent 为核心是新项目的唯一选择四大支柱各司其职LangChain 打基础LangGraph 管编排Deep Agent 赋自主LangSmith 做监控技术选型由简到繁Prompt → RAG → Agent → Fine-tuning不要一上来就微调LangChain 官方文档地址LangChain中文文档