1 什么是 LangChainLangChain是2022年10月由哈佛大学的Harrison Chase哈里森·蔡斯发起研发的一个开源框架用于开发由大语言模型LLMs驱动的应用程序。LangChain是一个开源的大型语言模型LLM应用开发框架核心目标是把大模型的能力编排成真实的应用程序如聊天机器人、Agent、RAG 问答系统等。它解决了单次调用大模型和真实产品之间的差距——帮你管理提示词、多步骤流程、外部工具和记忆。它解决的核心问题:直接调大模型只能拿到一次生成结果但真实应用往往需要多步骤推理、调用外部数据/工具、记住对话上下文、结构化输出。LangChain 把这些常见的开发工作抽象成可复用的模块并串成流水线。典型工作流以最常见的RAG问答机器人为例文档切片 → 2. 向量化 → 3. 存入向量数据库用户提问 → 5. 检索相关片段 → 6. 拼进 prompt → 7. 调模型生成回答为什么受欢迎生态成熟LangChain Hub可复用 Prompt、LangSmith调试、LangGraph更灵活的状态机式编排厂商中立一套代码对接多家模型社区庞大集成数千种工具、数据库、向量库适用场景RAG 知识库问答、客服机器人Agent 智能体自动规划 调用工具多步骤数据处理流水线、报表生成、代码辅助等一点提醒LangChain抽象层级高封装重适合快速搭建原型和标准化开发。但对简单需求直接调 API 反而更轻对复杂、需要精细控制的 Agent 编排很多人也转用LangGraph或直接手写逻辑。核心能力提示词、记忆、工具调用背后的原理正是你正在学的 Transformer 等底层知识。关于LangChain的相关网址链接github地址https://github.com/langchain-ai/langchain官网地址https://www.langchain.com/langchain官方文档https://docs.langchain.com/oss/python/langchain/overviewAPI 文档https://reference.langchain.com/python/langchain/LLMs用的好好的为什么还需要LangChain在大语言模型LLM如 ChatGPT、Claude、DeepSeek 等快速发展的今天开发者不仅希望能“使用”这些模型还希望能将它们灵活集成到自己的应用中实现更强大的对话能力、检索增强生成RAG、工具调用Tool Calling、多轮推理等功能。问题2我们可以使用GPT 或GLM5 等模型的API进行开发为何需要LangChain这样的框架不使用LangChain确实可以使用GPT 或GLM4 等模型的API进行开发。但使用LangChain的好处简化开发难度更简单、更高效、效果更好。开发人员可以更专注于业务逻辑而无须花费大量时间和精力处理底层技术细节。学习成本更低不同模型的API不同调用方式也有区别切换模型时学习成本高。使用LangChain可以以统一、规范的方式进行调用有更好的移植性。现成的Agent构建方法LangChain提供了现成的构建Agent的方式。让复杂的逻辑变得结构化、易组合、易扩展。2 LangChain包及核心模块划分2.1 LangChain所包含的包LangChain所包含的包及其描述如下所示包描述langchain包含构建使用 LLM 的应用所需的所有实现的主入口点langchain-coreLangChain 生态系统中的核心接口和抽象langchain-openai/deepseekLangchain和OpenAIdeepseek集成包。langchain还包含一系列集成包这些集成包涵盖了文本生成模型工具文档加载向量存储等多个方面构成了langchain生态系统。langchain-mcp-adapters在 LangChain 和 LangGraph 应用中提供 MCP 工具langchain-text-splitters用于文档处理的文本分割工具langchain-tests用于验证 LangChain 集成包实现的标准化测试套件langchain-classic遗留的 langchain 实现和组件主要为1.0.0版本以前的相关内容LangChain 核心组成模块模块作用Models模型统一封装各类 LLMOpenAI、Claude、国内模型等和嵌入模型提供统一调用接口Prompts提示词模板化管理提示词支持变量填充、Few-shot 示例Chains链把多个步骤按顺序或逻辑串联比如取数据→写prompt→调模型→解析结果Memory记忆保存历史对话支持短期窗口和长期存储Agents智能体让模型自主决定下一步调用哪个工具实现循环推理Tools工具让模型能调用外部功能搜索、计算器、数据库、APIRetrievers检索支撑 RAG检索增强生成从向量库/文档中检索相关内容Callbacks / Tracing观察、日志、监控整个执行过程从逻辑上也可以划分为以下四大部分Model I/O – 标准化大模型的输入和输出包含提示模版模型调用和格式化输出。Format格式化通过模板管理大模型的输入。将原始数据格式化成模型可以处理的形式插入到一个模板中然后送入模型进行处理。Predict预测调用 LLM 接收输入进行预测或生成回答。Parse解析规范化模型输出。比如将模型输出格式化为 JSON。Chains – “链条”用于将多个组件组合成一个完整的流程方便链式调用。RAG – 对应RAG检索外部数据作为参考信息输入LLM辅助生成答案。Agents – Agent 自主规划执行步骤并使用工具来完成任务。
1 什么是 LangChainLangChain是2022年10月由哈佛大学的Harrison Chase哈里森·蔡斯发起研发的一个开源框架用于开发由大语言模型LLMs驱动的应用程序。LangChain是一个开源的大型语言模型LLM应用开发框架核心目标是把大模型的能力编排成真实的应用程序如聊天机器人、Agent、RAG 问答系统等。它解决了单次调用大模型和真实产品之间的差距——帮你管理提示词、多步骤流程、外部工具和记忆。它解决的核心问题:直接调大模型只能拿到一次生成结果但真实应用往往需要多步骤推理、调用外部数据/工具、记住对话上下文、结构化输出。LangChain 把这些常见的开发工作抽象成可复用的模块并串成流水线。典型工作流以最常见的RAG问答机器人为例文档切片 → 2. 向量化 → 3. 存入向量数据库用户提问 → 5. 检索相关片段 → 6. 拼进 prompt → 7. 调模型生成回答为什么受欢迎生态成熟LangChain Hub可复用 Prompt、LangSmith调试、LangGraph更灵活的状态机式编排厂商中立一套代码对接多家模型社区庞大集成数千种工具、数据库、向量库适用场景RAG 知识库问答、客服机器人Agent 智能体自动规划 调用工具多步骤数据处理流水线、报表生成、代码辅助等一点提醒LangChain抽象层级高封装重适合快速搭建原型和标准化开发。但对简单需求直接调 API 反而更轻对复杂、需要精细控制的 Agent 编排很多人也转用LangGraph或直接手写逻辑。核心能力提示词、记忆、工具调用背后的原理正是你正在学的 Transformer 等底层知识。关于LangChain的相关网址链接github地址https://github.com/langchain-ai/langchain官网地址https://www.langchain.com/langchain官方文档https://docs.langchain.com/oss/python/langchain/overviewAPI 文档https://reference.langchain.com/python/langchain/LLMs用的好好的为什么还需要LangChain在大语言模型LLM如 ChatGPT、Claude、DeepSeek 等快速发展的今天开发者不仅希望能“使用”这些模型还希望能将它们灵活集成到自己的应用中实现更强大的对话能力、检索增强生成RAG、工具调用Tool Calling、多轮推理等功能。问题2我们可以使用GPT 或GLM5 等模型的API进行开发为何需要LangChain这样的框架不使用LangChain确实可以使用GPT 或GLM4 等模型的API进行开发。但使用LangChain的好处简化开发难度更简单、更高效、效果更好。开发人员可以更专注于业务逻辑而无须花费大量时间和精力处理底层技术细节。学习成本更低不同模型的API不同调用方式也有区别切换模型时学习成本高。使用LangChain可以以统一、规范的方式进行调用有更好的移植性。现成的Agent构建方法LangChain提供了现成的构建Agent的方式。让复杂的逻辑变得结构化、易组合、易扩展。2 LangChain包及核心模块划分2.1 LangChain所包含的包LangChain所包含的包及其描述如下所示包描述langchain包含构建使用 LLM 的应用所需的所有实现的主入口点langchain-coreLangChain 生态系统中的核心接口和抽象langchain-openai/deepseekLangchain和OpenAIdeepseek集成包。langchain还包含一系列集成包这些集成包涵盖了文本生成模型工具文档加载向量存储等多个方面构成了langchain生态系统。langchain-mcp-adapters在 LangChain 和 LangGraph 应用中提供 MCP 工具langchain-text-splitters用于文档处理的文本分割工具langchain-tests用于验证 LangChain 集成包实现的标准化测试套件langchain-classic遗留的 langchain 实现和组件主要为1.0.0版本以前的相关内容LangChain 核心组成模块模块作用Models模型统一封装各类 LLMOpenAI、Claude、国内模型等和嵌入模型提供统一调用接口Prompts提示词模板化管理提示词支持变量填充、Few-shot 示例Chains链把多个步骤按顺序或逻辑串联比如取数据→写prompt→调模型→解析结果Memory记忆保存历史对话支持短期窗口和长期存储Agents智能体让模型自主决定下一步调用哪个工具实现循环推理Tools工具让模型能调用外部功能搜索、计算器、数据库、APIRetrievers检索支撑 RAG检索增强生成从向量库/文档中检索相关内容Callbacks / Tracing观察、日志、监控整个执行过程从逻辑上也可以划分为以下四大部分Model I/O – 标准化大模型的输入和输出包含提示模版模型调用和格式化输出。Format格式化通过模板管理大模型的输入。将原始数据格式化成模型可以处理的形式插入到一个模板中然后送入模型进行处理。Predict预测调用 LLM 接收输入进行预测或生成回答。Parse解析规范化模型输出。比如将模型输出格式化为 JSON。Chains – “链条”用于将多个组件组合成一个完整的流程方便链式调用。RAG – 对应RAG检索外部数据作为参考信息输入LLM辅助生成答案。Agents – Agent 自主规划执行步骤并使用工具来完成任务。
