LangChain 简介

LangChain 是一个用于构建大语言模型（LLM）应用的 Python 框架。

LangChain 提供统一的接口来连接各种 AI 模型，并支持构建能够自动调用工具、检索知识、记住上下文的智能 Agent。

LangChain 是什么

简单来说，LangChain 解决了一个核心问题：让大语言模型能够与外部世界交互。

原生的 LLM 只能根据训练数据生成文本。但实际应用中，我们需要 AI 能够查询数据库、调用 API、搜索文档、发送邮件。

LangChain 提供了一套标准化的组件来串联这些能力。

组件	作用	核心功能	常见用途
Models（模型）	连接大语言模型	统一模型接口支持多模型切换调用 GPT / Claude / Gemini 等	聊天机器人文本生成 AI 问答
Prompts（提示词模板）	管理 Prompt 模板	Prompt 参数化动态变量替换模板复用	AI 对话内容生成结构化输出
Document Loader（文档加载）	读取外部文档数据	加载 PDF / TXT / DOCX 读取网页与数据库统一文档格式	知识库 RAG 系统文档问答
Text Splitter（文本切分）	拆分长文本	文本 Chunk 切分控制 Token 长度优化向量检索	RAG 向量数据库长文本处理
Memory（记忆）	实现上下文记忆	保存聊天历史长期记忆对话状态管理	聊天机器人 AI 助手 Agent
Retriever（检索器）	检索相关知识内容	向量搜索语义检索 RAG 数据召回	企业知识库 AI 搜索文档问答
Tools（工具）	调用外部工具与 API	搜索互联网数据库查询执行代码	AI Agent 自动化任务数据分析
Output Parser（输出解析器）	解析模型输出结果	结构化输出 JSON 解析格式校验	API 返回自动化系统数据处理
Chains（链）	组合多个组件形成工作流	多步骤执行流程编排组件串联	复杂 AI 应用 RAG 工作流 Agent 系统

从技术角度看，LangChain 是一个模块化的 LLM 应用开发框架，它包含三个层次：

层次	说明	包名
核心抽象层	定义模型、工具、消息等基础接口	langchain-core
用户接口层	提供 init_chat_model、create_agent 等高阶 API	langchain
集成层	连接 OpenAI、Anthropic、Ollama 等第三方服务	langchain-openai 等

如果你只是调用一次模型 API，直接用 HTTP 请求就够了。但当你需要构建一个完整的 AI 应用时，LangChain 提供了以下优势：

能力	描述	适用场景
模型统一接口	一套代码切换 OpenAI / Anthropic / DeepSeek 等模型	多模型对比测试、成本优化
Agent 架构	模型自动决定何时调用工具，形成思考-行动循环	自动化任务、智能客服
中间件系统	在模型调用前后插入自定义逻辑（重试、缓存、过滤）	生产环境的可靠性保障
结构化输出	让模型按指定格式返回 JSON，方便程序解析	数据提取、表单填充
记忆与持久化	内置对话记忆和跨会话存储能力	多轮对话、用户偏好记忆
生态丰富	数百个第三方集成，覆盖主流模型和工具	快速接入各类服务

以下是 LangChain 最典型的应用场景：

具备多轮对话记忆，能调用外部工具（查天气、查订单、发邮件）的聊天助手。

将私有文档（PDF、网页、数据库）向量化存储，让模型能够基于这些文档回答问题，附带引用来源。

模型自主规划任务步骤，按需调用不同的工具，完成复杂的多步操作，如"帮我整理上周的销售数据并生成报告"。

从非结构化文本中提取结构化信息（如从合同扫描件中提取关键字段），或让模型生成数据分析结论。

很多初学者会困惑这两个库的区别。简单来说：

对比维度	LangChain	LangGraph
定位	高层 Agent 框架，开箱即用	底层工作流引擎，精细控制
上手难度	低，10 行代码创建 Agent	中高，需理解图（Graph）概念
适用场景	标准 Agent 应用、快速原型	复杂多步骤工作流、多 Agent 协作
关系	LangChain 的 create_agent() 底层构建在 LangGraph 之上

本教程聚焦于 LangChain。如果你刚开始学习，从 LangChain 入手是正确的选择。当你需要更精细的流程控制时，再深入 LangGraph。

在开始学习之前，你只需要具备以下基础：

本教程的代码示例在 Python 3.10+ 环境下测试通过。