跳到主要内容

LangChain 教程

欢迎学习 LangChain！本教程将带你从零开始掌握这一用于构建 LLM 应用的强大开发框架。

什么是 LangChain？​

LangChain 是一个开源框架，专门用于构建基于大语言模型（LLM）的应用程序。它提供了标准化的接口和组件，让你能够轻松地将 LLM 与外部数据源、工具和系统集成。

LangChain 生态系统​

LangChain 生态系统包含多个核心产品：

  • LangChain：提供模型、工具、提示词等基础组件
  • LangGraph：提供 Agent 编排框架，支持状态管理、持久化、人工介入等高级功能
  • LangSmith：提供调试、测试、监控和部署平台

LangChain 的核心价值​

LangChain 解决了 LLM 应用开发中的核心挑战：

  • 标准化接口：不同模型提供商（OpenAI、Anthropic、Google 等）有各自独特的 API，LangChain 统一了交互方式，让你能够轻松切换模型而无需修改业务逻辑
  • 组件化设计：提供了丰富的组件（LLM、Prompt、Chain、Agent、Memory 等），可以灵活组合
  • 快速构建：通过预置的架构和集成，你可以用很少的代码构建复杂的 AI 应用
  • 生态丰富：支持多种模型、数据源、工具的集成

为什么学习 LangChain？​

对开发者​

  • 提高效率：无需从零开始实现 LLM 交互逻辑
  • 灵活性：既可以用高级 API 快速构建，也可以深入定制
  • 可维护性：标准化的代码结构便于团队协作和维护

应用场景​

  • 智能问答系统：基于私有数据的问答助手
  • AI 代理：能够自主决策和执行任务的智能代理
  • 内容生成：自动撰写文章、代码、邮件等
  • 数据分析：通过对话分析数据并生成报告

LangChain 核心特性​

1. 标准化的模型接口​

LangChain 提供统一的接口来调用各种 LLM，无论是 OpenAI 的 GPT、Anthropic 的 Claude，还是开源模型，都可以无缝切换：

from langchain.chat_models import init_chat_model

# 使用 OpenAI
model = init_chat_model("openai:gpt-4o-mini")

# 切换到 Anthropic
model = init_chat_model("anthropic:claude-sonnet-4-5-20250929")

# 切换到 Google
model = init_chat_model("google_genai:gemini-1.5-pro")

解释：这种设计让你不依赖于特定的模型供应商，可以在不同模型之间灵活切换，根据成本、性能、需求选择最合适的模型。

2. 工具调用与结构化输出​

模型可以调用外部工具并返回结构化数据：

from langchain.tools import tool
from pydantic import BaseModel

@tool
def get_weather(location: str) -> str:
    """获取指定位置的天气"""
    return f"{location}今天晴朗，25°C"

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

# 结构化输出
class Person(BaseModel):
    name: str
    age: int
    occupation: str

structured_model = model.with_structured_output(Person)

3. LCEL 链式组合​

LangChain Expression Language (LCEL) 提供声明式的链式组合语法：

from langchain_core.runnables import RunnablePassthrough
from langchain.output_parsers import StrOutputParser

# 简单链
chain = prompt | model | StrOutputParser()

# 并行处理
chain = {
    "answer": prompt | model,
    "context": RunnablePassthrough()
}

# 支持流式、异步、批量
result = chain.invoke({"question": "..."})
for chunk in chain.stream({"question": "..."}):
    print(chunk)
results = chain.batch([{"question": "1"}, {"question": "2"}])

4. LangGraph Agent 框架​

LangGraph 是 LangChain 生态中构建 Agent 的核心框架：

from langchain.agents import create_agent

# 创建一个能够使用工具的代理
agent = create_agent(
    model=model,
    tools=[search_tool, calculate_tool],
    system_prompt="你是一个有用的助手"
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "帮我查询天气并计算"}]
})

解释：与传统程序不同，Agent 不再是按照固定顺序执行，而是由 LLM 根据任务目标自主决定下一步操作。它可以理解用户意图、选择合适的工具、并且能够进行多轮交互。

5. 记忆与状态管理​

LangGraph 提供了完善的记忆机制，让 AI 应用能够记住对话历史：

from langgraph.checkpoint.memory import InMemorySaver

# 添加记忆
agent = create_agent(
    model=model,
    tools=tools,
    checkpointer=InMemorySaver()
)

# 使用 thread_id 区分对话
config = {"configurable": {"thread_id": "user_123"}}
result = agent.invoke({"messages": [...]}, config=config)

6. RAG（检索增强生成）​

RAG 是当前最流行的 LLM 应用架构之一，LangChain 提供了完整的 RAG 支持：

  • 文档加载和预处理
  • 文本分割
  • 向量嵌入
  • 向量检索
  • 生成回答

安装与配置​

安装依赖​

# 核心包
pip install langchain

# 模型支持
pip install langchain-openai      # OpenAI
pip install langchain-anthropic   # Anthropic
pip install langchain-google-genai # Google

# Agent 框架
pip install langgraph

环境配置​

# 设置 API Key
export OPENAI_API_KEY=sk-...
export ANTHROPIC_API_KEY=sk-ant-...

# 启用 LangSmith 追踪（可选）
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=ls-...

LangChain vs LangGraph​

很多人会困惑 LangChain 和 LangGraph 的关系：

特性LangChainLangGraph
定位基础组件库Agent 编排框架
核心功能模型、工具、提示词、链状态管理、循环、分支、持久化
适用场景构建 LLM 应用的基础组件构建复杂的 Agent 工作流
关系LangGraph 使用 LangChain 的组件-

简单来说：LangChain 提供"积木"，LangGraph 提供"搭建方法"。构建复杂 Agent 时，两者配合使用。

教程目录​

基础入门​

核心概念​

进阶应用​

工程实践​

知识速查​

学习建议​

1. 前置知识​

学习 LangChain 前需要掌握：

  • Python 基础：熟悉 Python 语法和面向对象编程
  • 了解 LLM：知道什么是大语言模型及其基本工作原理
  • API 调用：会使用 RESTful API（了解 HTTP 请求即可）

2. 学习路径​

基础阶段          核心阶段          进阶阶段          实战阶段
    │              │              │              │
    ▼              ▼              ▼              ▼
环境配置  ──▶  LLM 调用    ──▶  Chain 开发   ──▶  项目实战
入门      ──▶  Prompt 设计  ──▶  Agent 开发   ──▶  RAG 系统
          ──▶  Memory 管理  ──▶  工具集成      ──▶  部署上线

3. 实践建议​

  • 从官方示例开始：先跑通官方示例，理解每个组件的作用
  • 动手改代码：不要只复制代码，尝试修改参数、组合不同组件
  • 阅读源码：理解 LangChain 的设计思想
  • 关注更新：LangChain 迭代较快，保持学习

开发工具推荐​

1. Python 环境​

# 推荐使用 conda 或 venv 创建虚拟环境
conda create -n langchain python=3.10
conda activate langchain

# 安装 LangChain
pip install langchain langgraph

2. IDE 推荐​

  • VS Code（推荐）：配置 Jupyter 插件，交互式开发体验好
  • PyCharm：功能强大的 Python IDE
  • Jupyter Notebook：适合学习和实验

3. 模型提供商​

LangChain 支持多种模型提供商：

提供商provider 标识说明
OpenAIopenaiGPT-4o, GPT-4o-mini
AnthropicanthropicClaude Sonnet 4.5
Googlegoogle_genaiGemini 1.5 Pro
AWS Bedrockbedrock_converseClaude, Titan 等
Ollamaollama本地开源模型

LangSmith 平台​

LangSmith 是 LangChain 官方提供的 AI 应用开发平台，提供：

  • 可观测性：详细的追踪和聚合趋势指标，查看 Agent 如何思考和行动
  • 评估：在生产数据或离线数据集上测试和评分 Agent 行为
  • Prompt 工程：版本控制、优化和协作功能
  • 部署：一键部署，专为长时间运行任务设计的可扩展基础设施

参考资源​

官方资源​

学习资源​

API 参考​

准备好了吗？点击下一章开始你的 LangChain 学习之旅！