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 |
为什么选择 LangChain
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 |
LangChain 能做什么
以下是 LangChain 最典型的应用场景：
智能聊天机器人
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。
RAG 知识库问答
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。
Agent 自动化助手
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"。
数据提取与分析
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。
LangChain 与 LangGraph 的关系
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。
准备工作
在开始学习之前，你只需要具备以下基础：
- Python 基础语法（函数、类、类型注解）
- 能够使用 pip 安装 Python 包
- 了解基本的命令行操作
- 有一个大模型 API Key（OpenAI、Anthropic 等均可）
本教程的代码示例在 Python 3.10+ 环境下测试通过。
AI 思考中...