跳到主要内容

概述与核心概念

什么是LangChain？​

LangChain 是一个开源Python框架，专门用于快速构建基于大语言模型（LLM）的定制化代理和应用程序。它通过提供标准化的接口和预构建的架构，大幅降低了集成AI能力的复杂性。

核心价值主张​

  1. 快速上手：10行代码即可创建功能完整的代理
  2. 多模型支持：统一接口，轻松切换OpenAI、Anthropic、Google等提供商
  3. 生产就绪：内置支持持久化、流式处理、监控等生产特性
  4. 灵活扩展：从简单的聊天机器人到复杂的多代理系统
  5. 开发者友好：良好的文档、活跃社区、丰富的集成

框架核心理念​

1. 标准化模型接口​

不同的LLM提供商有不同的API和响应格式。LangChain 通过标准化接口解决这个问题：

from langchain.chat_models import init_chat_model

# 统一的初始化方式
model = init_chat_model("claude-sonnet-4")

# 或使用特定配置
from langchain_anthropic import ChatAnthropic
model = ChatAnthropic(
    model="claude-sonnet-4",
    temperature=0.7,
    max_tokens=1000
)

这样做的优势：

  • 避免供应商锁定（vendor lock-in）
  • 轻松比较不同模型
  • 快速迁移到新提供商

2. 代理与工具的结合​

代理（Agent）是LangChain的核心概念，它由以下部分组成：

3. 消息驱动的架构​

LangChain采用消息驱动架构，所有交互都是消息：

from langchain_core.messages import HumanMessage, AIMessage

# 代理与用户的对话是消息序列
messages = [
    HumanMessage(content="旧金山的天气如何?"),
    AIMessage(content="我来为您查询..."),
    # 模型添加工具调用
    # 工具执行并返回结果
]

消息类型包括：

  • HumanMessage：用户输入
  • AIMessage：模型输出
  • ToolMessage：工具执行结果
  • SystemMessage：系统提示和指导

LangChain vs LangGraph vs DeepAgents​

三个框架都基于相同的基础库，但在抽象层级上有所不同：

LangChain 的定位​

维度LangChainLangGraphDeepAgents
抽象级别高级低级完整
易用性容易复杂容易
定制性中高高
学习成本低高低
适用场景标准代理复杂编程完整应用
内置功能代理循环图编排全套功能

何时选择LangChain？​

✅ 适合使用LangChain：

  • 快速构建聊天机器人或问答系统
  • 需要与多种LLM集成
  • 标准的代理工作流（观察-行动-反思）
  • 团队对框架库有基本了解

❌ 不适合使用LangChain：

  • 需要复杂的条件逻辑和分支流程
  • 需要精细控制执行的每一步
  • 需要实现自定义的工作流模式

代理执行流程​

理解代理如何工作是使用LangChain的关键：

标准执行循环​

这个循环会持续进行，直到达到其中一个停止条件：

  • 模型生成最终答案
  • 达到最大迭代次数
  • 发生错误

代理执行示意图​

核心组件详解​

1. 模型（Model / LLM）​

模型是代理的大脑，负责理解问题和制定计划。

关键特性：

  • 多提供商支持：OpenAI、Anthropic、Google、Groq等
  • 参数可配置：温度、最大令牌数、超时等
  • 工具绑定：模型需要了解可用的工具
# 模型配置示例
from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(
    model="claude-sonnet-4",
    temperature=0.7,      # 创意程度
    max_tokens=2000,      # 最大输出长度
    timeout=30            # 超时时间
)

# 绑定工具到模型
model_with_tools = model.bind_tools([tool1, tool2])

2. 工具（Tools）​

工具是代理可以调用的函数或服务。

特点：

  • 功能扩展：让代理能完成模型单独无法做的事
  • 类型安全：需要提供参数类型和说明
  • 可链接：工具可以相互调用
from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 实际实现会调用天气API
    return f"{city}目前是晴天，温度25°C"

# 工具会自动生成描述供模型理解
print(get_weather.description)
# 输出: get_weather(city: str) -> str - 获取指定城市的天气信息

3. 提示（Prompts）​

提示是指导模型行为的指令，包括系统提示和用户提示。

from langchain_core.prompts import ChatPromptTemplate

# 创建提示模板
system_prompt = "你是一个专业的天气助手，请用友好的语气回答用户问题。"
user_prompt = "请问{city}的天气如何？"

prompt_template = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("human", user_prompt)
])

# 填充模板
messages = prompt_template.format_messages(city="北京")

4. 内存（Memory）​

内存用于维护对话历史和状态。

from langchain.memory import ConversationBufferMemory

# 创建内存
memory = ConversationBufferMemory(
    return_messages=True,  # 返回消息对象而非字符串
    memory_key="chat_history"  # 内存键名
)

# 保存对话
memory.save_context(
    {"input": "你好"},
    {"output": "你好！我是天气助手。"}
)

# 加载历史
history = memory.load_memory_variables({})

5. 编排（Orchestration）​

LangGraph运行时负责协调代理的各个部分。

from langgraph.prebuilt import create_react_agent

# 创建代理
agent = create_react_agent(
    model=model,
    tools=[get_weather],
    prompt=prompt_template
)

# 执行代理
result = agent.invoke({"messages": [HumanMessage(content="北京天气如何？")]})

总结​

LangChain 通过提供标准化的组件和预构建的架构，大幅简化了AI代理的开发。它的核心优势在于：

  1. 标准化：统一的接口处理不同LLM提供商
  2. 模块化：清晰的组件分离（模型、工具、提示、内存）
  3. 可扩展：从简单聊天机器人到复杂多代理系统
  4. 生产就绪：内置监控、持久化、错误处理

在接下来的文档中，我们将深入探讨每个组件的详细用法和最佳实践。

下一步：