什么是 LangChain

简介

LangChain 是一个强大的开源框架，专门用于构建基于大语言模型（LLM）的应用程序。它由 Harrison Chase 于 2022 年创建，现已成为 AI 应用开发领域最受欢迎的工具之一。

🎉 LangChain v1.x 正式发布！

LangChain 已升级到 v1.x 版本，带来了全新的简化 API 和更强大的功能。本教程已全面更新以覆盖最新特性。

需要 Python 3.10+
新的 create_agent API，10 行代码创建智能 Agent
Agent 基于 LangGraph 构建，支持持久化、流式输出、人机协作等高级特性

详见官方发布说明和迁移指南。

核心理念

LangChain 的核心理念是：将大语言模型与外部数据、工具、系统连接起来，创建真正有用的 AI 应用。

为什么需要 LangChain？

直接调用大语言模型的 API（如 OpenAI、Claude 等）虽然简单，但在构建实际应用时会遇到很多挑战：

挑战	描述	LangChain 解决方案
上下文限制	LLM 只能处理有限的文本长度	提供文档分割、向量检索等工具
知识时效性	LLM 的知识有截止日期	支持 RAG 技术接入实时数据
无法执行操作	LLM 只能生成文本	提供 Tools 和 Agent 机制
缺乏记忆	每次对话独立，没有上下文	内置多种记忆组件
提示词管理	提示词散落各处，难以维护	提供模板化的提示词管理

LangChain 生态系统

LangChain 不只是一个库，而是一个完整的生态系统：

┌─────────────────────────────────────────────────────┐
│                  LangChain 生态系统                   │
├─────────────────────────────────────────────────────┤
│                                                     │
│  🔧 LangChain          - 核心框架，构建 AI 应用       │
│                                                     │
│  🔀 LangGraph          - Agent 编排框架              │
│                                                     │
│  📊 LangSmith          - 监控、调试、评估平台         │
│                                                     │
│  🚀 LangServe          - 部署 LangChain 应用         │
│                                                     │
└─────────────────────────────────────────────────────┘

LangChain 核心框架

这是我们主要学习的部分，包含：

Models（模型） - 标准化的模型接口，支持 OpenAI、Anthropic、Google 等各种提供商，可无缝切换
Agents（智能体） - 🆕 v1.x 新增简化 API，10 行代码创建智能 Agent
Prompts（提示词） - 提示词模板和管理
Chains（链） - 将多个组件串联起来
Memory（记忆） - 保存对话历史
Retrievers（检索器） - 从数据源获取相关信息

v1.x 核心优势

特性	描述
标准模型接口	不同提供商有不同的 API 格式，LangChain 标准化了模型交互方式，让你可以无缝切换提供商，避免锁定
简单易用的 Agent	10 行代码创建 Agent，同时保持高度灵活性
基于 LangGraph	Agent 构建在 LangGraph 之上，获得持久化执行、流式输出、人机协作等能力
LangSmith 调试	深度可视化 Agent 行为，追踪执行路径

LangGraph

用于构建复杂的、有状态的 Agent 工作流。当你的应用需要：

多步骤推理
循环和条件分支
人机协作（Human-in-the-loop）

就应该考虑使用 LangGraph。

LangSmith

一个开发者平台，提供：

🔍 可观测性 - 查看每次 LLM 调用的详细日志
📈 评估 - 测试和评估你的应用性能
🔄 迭代 - 快速调试和优化提示词

支持的模型提供商

LangChain 支持众多模型提供商，你可以根据需求灵活选择：

国际模型

OpenAI - GPT-4、GPT-3.5
Anthropic - Claude 系列
Google - Gemini 系列
Mistral - Mistral 系列
Cohere - Command 系列

国内模型

百度文心 - 文心一言
阿里通义 - 通义千问
智谱AI - ChatGLM
讯飞星火 - Spark
MiniMax - abab 系列

本地模型

Ollama - 运行本地模型
LlamaCpp - 本地推理引擎
HuggingFace - 各种开源模型

典型应用场景

学习 LangChain 后，你可以构建：

1. 智能问答系统

# 基于你的文档构建问答机器人
from langchain.chains import RetrievalQA

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=document_retriever
)
answer = qa_chain.invoke("公司的退款政策是什么？")

2. 对话式 AI 助手

# 具有记忆功能的对话助手
from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

3. 自动化 Agent（v1.x 新 API）

# 🆕 v1.x 简化 API - 10 行代码创建智能 Agent
from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city}今天晴，25°C"

def send_email(to: str, content: str) -> str:
    """发送邮件"""
    return f"邮件已发送给 {to}"

agent = create_agent(
    model="gpt-4",
    tools=[get_weather, send_email],
    system_prompt="你是一个智能助手，帮助用户完成各种任务"
)

agent.invoke({"messages": [{"role": "user", "content": "查询北京天气并发送给张三"}]})