为什么需要LangChain1.1 从传统应用到智能体时代1.2 单一的大语言模型的局限性所以要构建真正实用的AI应用必须将大语言模型与外部工具、数据源和记忆机制有机结合从而催生 了LangChain框架的设计理念LangChain是当前构建生产级 AI 智能体系统的首选。1.3 LangChain框架的定位LangChain 作为大模型与应用间的中间层可统一调用各类大模型、管理提示词与上下文还能 集成外部工具和数据源快速搭建具备推理、行动能力的智能体。核心定位三点1. 打通大模型与外部资源统一接口对接数据库、检索引擎、API、文件系统等2. 封装底层复杂逻辑抽象工具调用、记忆等能力降低智能体开发难度3. 支撑多智能体协作依托 LangGraph 等生态从单智能体拓展至多智能体协作可构建工业 级智能体。1.4 LangChain的应用场景1. 检索增强生成 (RAG)痛点 解决大模型知识滞后无实时数据和幻觉问题。功能 检索外部知识库文档/数据库并向量化让模型基于最新、最相关的资料回答2. Agent 智能体构建痛点 解决 LLM 无法直接执行复杂任务的问题。功能 将模型作为“推理引擎”自主规划路径并动态调用外部工具如订票、查报告、写 SQL 实现复杂任务。3. 对话系统与聊天机器人痛点 解决多轮对话中的“记忆”流失问题。功能 集成记忆管理系统记住用户偏好和历史交互并结合私有数据如教育教材、订单库提 供专业服务。4. 多模态应用开发痛点跨越单一文本交互的限制。功能 融合图像识别、语音转文字等技术让模型具备处理音视频和图片的综合推理能力。5. 自动化写作与格式化生成痛点 解决生成内容格式不标准、质量不稳定的问题。功能 配合提示词模板Templates与输出解析器Parsers自动产出规范的报告、合同或 邮件。6. 数据连接与结构化处理痛点 解决非结构化数据难以被模型直接利用的问题。功能 强大的数据连接能力使大模型能够与各种数据源和结构化数据交互。比如从 PDF、Excel 中提取关键信息或实现自然语言与 SQL 的自动转换。1.5 大模型相关岗位介绍应用开发是大模型最值得关注的方向应用为王学习LangChain框架高效开发大模型应用。2、LangChain是什么2.1 LangChain的发展时间线第1阶段诞生2022年10月2022年10月哈佛大学的机器学习项目工程师 Harrison Chase哈里森·蔡斯 创建了由大语言模型 驱动的应用程序的开源框架LangChain。其名称来源于 Language 语言模型和 Chain 链式 连接的组合。体现了其核心设计理念——链接大语言模型与其他各种计算资源和数据构建强大的AI 应用。第2阶段探索期2022年Q4—2023年Q1LangChain 初版发布主要聚焦于PromptTemplate、LLMChain 等基础模块。其凭借前瞻性设计在 开源社区迅速走红Gitlub Star 数快速破万成为早期最受关注的大模型应用框架。第3阶段体系化阶段2023年Q2—2023年Q4引入 Tool、Agent、Retrieval 等概念形成大模型工具调用记忆的核心架构支持构建完成更复杂 任务的自动化智能体。 同期推出 LangChain Hub 与 LangSmith 初步构建了从开发、调试到部署的生态闭环。第4阶段平台化阶段2024年一2025年上半年LangGraph 与 LangServe 的发布是这一阶段的标志。LangGraph 为工作流管理提供了有向图基础 而LangServe则解决了服务化部署的难题。至此LangChain生态完成了从开发框架到智能体平台的跃 升。第5阶段深层智能体阶段2025年下半年至今正式推出 Deep Agent 官方定位为 Agent Harness智能体执行框架 在LangGraph 和 LangChain 之上运行标志着LangChain 生态进入新阶段让开发者可构建基于多智能体的复杂化智能 体系统。2.2 LangChain的两个重要版本1、LangChain v0.3版本既爱又恨长期以来LangChain 因为 API 变动频繁而被开发者戏称为“版本碎钞机”。 一方面2024年是LangChain架构重大变革的一年LangChain团队推出了LangGraph作为底层智能体 编排框架并 将原有的链和智能体标记为弃用 转而采用基于LangGraph构建的统一智能体抽象。 另一方面GPT-4逐渐普及包括调用外部工具Function calling、结构化输出、系统提示词等功 能都成了模型的基础功能。而对于开发者而言此时再 使用LangChain再对这些功能进行封装就显得 多此一举 。此时很多开发者的整体使用感受这个阶段LangChain的开发者大规模流失。2、LangChain v1.x版本AI开发新范式在经历了短暂的阵痛后LangChain进行了一次彻底的架构重构与瘦身。 2025年10月20日 LangChain团队正式发布了第一个正式大版本LangChain v1.0.0与LangGraph v1.0.0这是 AI 智能体Agent开发领域的 里程碑事件 标志着框架的成熟和标准化为企业级AI应 用提供了稳定基础。 官方首次明确 API 稳定保证 承诺在 2.0 版本前无破坏性变更 。这种稳定性对于企业级应用是至关 重要的。 发布同期完成 1.2亿美元融资 估值超 12 亿美元印证其作为 AI 基础设施的战略价值。小结对比 LangChain v0.3 与 LangChain v1.2了解2.3 LangChain v1.2的主要模块langchain-core 官方推荐的核心API。比如 Runnable, BaseMessage等langchain-classic 冗余代码移或不推荐使用的经典API移到此。比如0.x中常用而1.x移除的API都 在这里。langchain-community 第三方集成比如合作伙伴包 langchain-openailangchainanthropic等按需安装、避免臃肿。langgraph 深度整合 LangGraph 1.0协调多个ChainAgentTools完成更复杂的任务并 且还支持循环调用是langchain图形化的增强版来自https://reference.langchain.com/python/langchain/overview不要试图去学完LangChain的所有API那是不可能的。 你只需要搞懂它的核心逻辑与核心模块其它的用到什么再去查什么。把它当成一个工具箱而不 是一本教科书。2.4 API文档官网https://www.langchain.com/Github地址https://github.com/langchain-ai中文文档地址https://docs.langchain.org.cn/oss/python/langchain/overview英文文档地址https://docs.langchain.com/oss/python/langchain/overviewAPI文档查询地址https://reference.langchain.com/python/langchain/3、LangChain家族四大支柱截至2025年11月LangChain 已从一个独立的开发框架成长为一个覆盖智能体系统全生命周期的技术 生态。该生态由四大核心支柱构成 LangChain 、 LangGraph 、 Deep Agent 与 LangSmith 。它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层共同构建了一个从技术验证 到生产部署、从单体智能到复杂协作的项目闭环。 官方文档的解释https://docs.LangChain.com/oss/python/concepts/products3.1 LangChain智能体开发的基石LangChain 是整个生态的核心与起点为开发者提供了模型调用、工具与中间件集成、智能体构建等一 整套基础能力。 其核心价值如下统一的模型抽象层 屏蔽了不同模型服务提供商如OpenAI、Anthropic、Ollama 等的接口 差异提供一致的调用方式。高度模块化的设计 使用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩 展。丰富的集成生态 预置了丰富的数据源、API、中间件等构成了强大的AI能力枢纽。 在整体架构中LangChain 如同智能体的操作系统内核是所有上层能力构建的基础。结论如果你需要构建简单的智能体应用无需复杂的编排需求那就选择LangChain3.2 LangGraph复杂工作流的编排引擎当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时LangGraph应运而生。 其核心思想是将智能体内部抽象为一张有向图。节点Node 代表独立的功能单元或决策点。边Edge 定义了节点之间的流转条件与路径。状态State 作为一个共享上下文在节点间传递并持久化存储任务信息。通过这种图式结构LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。官方也强调“快速起步用 LangChain复杂控制用 LangGraph二者并行协同”。通俗理解LangChain 能力抽象层LLM / Tool / Message 标准化负责“有什么能力”LangGraph 执行与编排层状态机 / 工作流 / 多Agent系统负责“怎么跑”3.3 Deep Agent智能体的执行框架Deep Agent 是新推出的全新组件被定位为 Agent Harness智能体执行框架。它构建于 LangChain 与LangGraph 之上增加了规划能力、文件系统、子 Agent 等高级功能。旨在让开发者 无须从零构建 复杂的控制逻辑即可创建具备深度规划、长期记忆与多专家协作能力的智能体。Deep Agent 的核心能力如下显式规划 自主生成、执行并动态调整多步任务计划。虚拟文件系统 为智能体提供结构化的中间结果与知识存储。子智能体 支持任务在多个智能体之间的分解与协作。长期记忆 通过与 LangGraph 状态存储的结合实现跨对话的经验积累。 可扩展中间件 允许嵌入安全审计、性能监控或自定义业务逻辑。3.4 三者的关系官方文档三者对比 https://docs.langchain.com/oss/python/langchain/overview三个框架不是竞争关系并非互斥复杂项目完全可以同时用到这三层。基于LLM的应用开发体系图从 LangChain 快速搭建用 LangGraph 打磨生产稳定性再用 Deep Agents 赋予 Agent 更强的自主 能力——这才是完整的 LangChain 生态玩法。3.5 LangSmith可视化监控与测试平台当智能体系统逐渐复杂时单靠日志与打印输出print调试已无法满足调试与质量管理的需求。LangSmith 是 LangChain 官方推出的 可视化监控与测试平台 用于跟踪、记录和分析智能体在运行过 程中的完整调用链路让智能体的内部运行过程变得透明和可评估。LangSmith 的核心目标如下全链路追踪 可视化追踪模型调用、提示词输入、结果输出、工具使用等行为。调试与优化 发现运行中智能体的异常行为与性能瓶颈。评测与质量控制 支持人工与自动化评测量化智能体表现。团队协作 支持多人共享测试集与调用记录。LangSmith官网https://www.langchain.com/langsmithLangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环
