一、LangChain 概述与定位1.1 LangChain 是什么框架定位大模型应用开发的模块化、可组合化框架核心作用连接大模型与应用封装智能体所需的复杂逻辑技术栈演进LangChain → LangGraph → Deep Agent三层技术栈1.2 发展历程探索期2022 Q4-2023 Q1基础模块PromptTemplate、LLMChain体系化阶段2023 Q2-2023 Q4引入 Tool、Agent、Retrieval 等概念平台化阶段2024-2025 H1LangGraph工作流编排、LangServe服务部署深层智能体阶段2025 H2至今Deep Agent智能体执行框架1.3 LangChain 1.0 核心变革从功能堆砌到体验统一API 重构与瘦身统一接口从链式思维到智能体优先封装高级智能体编程接口关键技术中间件机制类似 Spring AOP、Deep Agent二、LangChain 生态体系2.1 四大核心组件组件定位作用LangChain基础框架智能体开发的基石提供模型调用、工具集成等基础能力LangGraph编排引擎复杂工作流的编排基于有向图管理执行逻辑与状态流转Deep Agent执行框架构建具备深度规划、长期记忆与多专家协作的智能体LangSmith监控平台可观测性与质量管理追踪、记录、分析智能体运行链路2.2 组件选择策略重型全自动复杂任务优先 Deep Agent自动调用底层 LangChainLangGraph简单线性 AI 功能直接使用 LangChain完全掌控流程、自定义复杂流转手写 LangGraph LangChain 工具支撑三、智能体核心概念3.1 智能体 vs 传统应用对比维度传统应用智能体驱动模式命令驱动目标驱动交互方式固定界面、参数输入自然语言、语义理解执行逻辑流程化、预定义自主规划、多步推理学习机制静态算法动态学习与记忆系统角色工具合作伙伴3.2 智能体四大核心能力感知Perception眼睛 - 理解环境与输入决策Reasoning大脑 - 规划与推理行动Action双手 - 执行任务记忆Memory灵魂 - 存储与学习四、开发环境与基础调用4.1 环境准备Python 版本推荐 3.10/3.11兼容性最好核心依赖pipinstalllangchain langchain-openai openai python-dotenv镜像源配置使用国内镜像加速下载4.2 模型调用方式对比方式特点适用场景OpenAI 兼容 API直接调用简单直接快速验证、简单场景ChatOpenAILangChain 封装支持更多参数标准 LangChain 项目init_chat_model官方推荐统一接口LangChain 1.0 项目4.3 推荐写法LangChain 1.0fromlangchain_openaiimportinit_chat_modelfromdotenvimportload_dotenv load_dotenv()modelinit_chat_model(modeldeepseek-v4-flash,model_provideropenai,base_urlhttps://api.deepseek.com)responsemodel.invoke(你好)print(response.content)4.4 配置管理API Key 存储使用.env文件不要硬编码环境变量DEEPSEEK_API_KEY你的密钥 DEEPSEEK_BASE_URLhttps://api.deepseek.comGit 忽略将.env加入.gitignore五、消息结构与多轮对话5.1 消息角色角色对应类作用系统消息SystemMessage设定 AI 角色、规则、回答风格用户消息HumanMessage用户输入的问题或需求AI 回复AIMessage模型返回的回复内容5.2 消息结构示例fromlangchain_core.messagesimportSystemMessage,HumanMessage,AIMessage messages[SystemMessage(content你是一名客服助手回答要礼貌、简洁。),HumanMessage(content我的订单什么时候发货),AIMessage(content请提供订单号我帮您查询。),HumanMessage(content订单号是 123456)]5.3 多轮对话实现# 保存历史消息history[]whileTrue:user_inputinput(用户: )ifuser_input.lower()exit:break# 构建消息列表messages[SystemMessage(content你是客服助手),*history[-6:],# 限制历史长度HumanMessage(contentuser_input)]# 调用模型responsemodel.invoke(messages)print(f助手:{response.content})# 保存到历史history.append(HumanMessage(contentuser_input))history.append(AIMessage(contentresponse.content))5.4 历史消息管理必要性实现上下文感知的对话限制原因请求成本随消息增长处理速度变慢可能超出模型上下文限制早期消息可能干扰当前回答推荐做法保留最近 3-6 轮对话6-12 条消息六、模型参数调优6.1 temperature 参数详解取值特点适用场景0完全确定性输出固定代码生成、数学计算、事实问答、翻译0.1-0.4轻微随机逻辑稳定客服问答、RAG、文档解析、结构化提取0.5-0.8平衡创意与逻辑文案、总结、普通聊天≥1.0高创造性容易虚构故事、诗歌、创意文案6.2 参数设置建议modelinit_chat_model(modeldeepseek-v4-flash,model_provideropenai,base_urlhttps://api.deepseek.com,temperature0.3,# 客服场景用较低值max_tokens1000# 限制回复长度)七、多模型支持策略7.1 模型接入优先级首选init_chat_model统一接口可移植性强备选社区扩展包如langchain-community注意版本兼容性检查7.2 常见模型接入示例# DeepSeekOpenAI 兼容modelinit_chat_model(modeldeepseek-v4-flash,model_provideropenai,base_urlhttps://api.deepseek.com)# Qwen通过社区扩展fromlangchain_community.chat_modelsimportChatTongyi modelChatTongyi(dashscope_api_keyyour-key,model_nameqwen-max)# 硅基流动modelinit_chat_model(modeldeepseek-v4-flash,model_provideropenai,base_urlhttps://api.siliconflow.cn/v1)八、实战案例要点8.1 案例一基础调用验证目的验证环境配置和 API 连通性关键点使用原生 OpenAI SDK 直接调用确认基础环境正常8.2 案例二客服角色助手目的掌握 SystemMessage 的角色控制关键点通过 system 消息设定助手行为规则8.3 案例三多轮对话助手目的实现带上下文的连续对话关键点历史消息的管理与长度控制九、常见问题与排查9.1 API Key 问题检查项.env文件位置、变量名、load_dotenv() 调用错误现象认证失败、余额不足9.2 网络连接问题可能原因网络代理、base URL 错误、服务不可用排查步骤检查 base URL 是否正确测试网络连通性验证账户余额9.3 模型响应异常System 规则不生效大模型不是传统程序规则是概率性执行解决方案结合结构化输出、程序校验、后处理逻辑十、最佳实践总结10.1 开发规范环境配置使用.env管理敏感信息版本选择Python 3.10/3.11 LangChain 1.0模型初始化优先使用init_chat_model消息管理合理控制历史消息长度10.2 代码结构配置分离API Key、base URL 等配置外部化错误处理添加适当的异常捕获和日志记录参数调优根据场景调整 temperature 等参数可维护性模块化设计便于扩展和维护10.3 学习路径建议基础阶段掌握模型调用、消息结构、多轮对话进阶阶段学习 Prompt 模板、工具调用、检索增强高级阶段掌握 LangGraph 编排、Deep Agent 应用生产实践集成 LangSmith 监控、性能优化、部署方案