本文将进一步丰富智能问答系统的功能，接下来的案例中，我们构建一个基于 Streamlit + LangChain + DeepSeek 的智能化数据分析助手，融合两个典型的企业级大模型应用场景：
- PDF 智能问答：支持上传多个 PDF 文档，自动完成内容提取、文本切块、语义向量化，并构建 FAISS 本地检索库，结合大模型进行问答；
- CSV 数据智能分析：通过自然语言指令分析结构化数据，包括统计查询、代码生成与图表绘制；
1、 模块导入与全局设置
python
import streamlit as st
import pandas as pd
import os
from PyPDF2 import PdfReader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.vectorstores import FAISS
from langchain.tools.retriever import create_retriever_tool
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_community.embeddings import DashScopeEmbeddings
from langchain.chat_models import init_chat_model
from langchain_experimental.tools import PythonAstREPLTool
import matplotlib
import matplotlib.pyplot as plt
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
matplotlib.use('Agg')
import os
from dotenv import load_dotenv
load_dotenv(override=True)
DeepSeek_API_KEY = os.getenv("DEEPSEEK_API_KEY")
openai_api_key = os.getenv("OPENAI_API_KEY")
openai_api_base = os.getenv("CHAT_API_URL")
# 设置环境变量
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"2、初始化 Embedding、LLM 与 Session
python
# 初始化embeddings
@st.cache_resource
def init_embeddings():
from langchain.embeddings import init_embeddings
return init_embeddings("openai:text-embedding-3-small", openai_api_key=openai_api_key, openai_api_base=openai_api_base) # 可换本地/其他厂商
# 初始化LLM
@st.cache_resource
def init_llm():
return init_chat_model("deepseek-chat", model_provider="deepseek")
# 初始化会话状态
def init_session_state():
if 'pdf_messages' not in st.session_state:
st.session_state.pdf_messages = []
if 'csv_messages' not in st.session_state:
st.session_state.csv_messages = []
if 'df' not in st.session_state:
st.session_state.df = None3、PDF 文档处理逻辑
python
# PDF处理函数
def pdf_read(pdf_doc):
text = ""
for pdf in pdf_doc:
pdf_reader = PdfReader(pdf)
for page in pdf_reader.pages:
text += page.extract_text()
return text
def get_chunks(text):
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
chunks = text_splitter.split_text(text)
return chunks
def vector_store(text_chunks):
embeddings = init_embeddings()
vector_store = FAISS.from_texts(text_chunks, embedding=embeddings)
vector_store.save_local("faiss_db")
def check_database_exists():
return os.path.exists("faiss_db") and os.path.exists("faiss_db/index.faiss")4、PDF 智能问答：RAG + Agent
python
def get_pdf_response(user_question):
if not check_database_exists():
return "❌ 请先上传PDF文件并点击'Submit & Process'按钮来处理文档！"
try:
embeddings = init_embeddings()
llm = init_llm()
new_db = FAISS.load_local("faiss_db", embeddings, allow_dangerous_deserialization=True)
retriever = new_db.as_retriever()
prompt = ChatPromptTemplate.from_messages([
("system", """你是AI助手，请根据提供的上下文回答问题，确保提供所有细节，如果答案不在上下文中，请说"答案不在上下文中"，不要提供错误的答案"""),
("placeholder", "{chat_history}"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
retrieval_chain = create_retriever_tool(retriever, "pdf_extractor", "This tool is to give answer to queries from the pdf")
agent = create_tool_calling_agent(llm, [retrieval_chain], prompt)
agent_executor = AgentExecutor(agent=agent, tools=[retrieval_chain], verbose=True)
response = agent_executor.invoke({"input": user_question})
return response['output']
except Exception as e:
return f"❌ 处理问题时出错: {str(e)}"5、CSV 数据分析：代码执行工具 + 可视化
python
def get_csv_response(query: str) -> str:
if st.session_state.df is None:
return "请先上传CSV文件"
llm = init_llm()
locals_dict = {'df': st.session_state.df}
tools = [PythonAstREPLTool(locals=locals_dict)]
system = f"""Given a pandas dataframe `df` answer user's query.
Here's the output of `df.head().to_markdown()` for your reference, you have access to full dataframe as `df`:
```
{st.session_state.df.head().to_markdown()}
```
Give final answer as soon as you have enough data, otherwise generate code using `df` and call required tool.
If user asks you to make a graph, save it as `plot.png`, and output GRAPH:<graph title>.
Example:
```
# 设置中文字体
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
plt.hist(df['Age'])
plt.xlabel('Age')
plt.ylabel('Count')
plt.title('Age Histogram')
plt.savefig('plot.png')
```output: GRAPH:Age histogram
Query:"""
prompt = ChatPromptTemplate.from_messages([
("system", system),
("placeholder", "{chat_history}"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
agent = create_tool_calling_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
return agent_executor.invoke({"input": query})['output']6、✅ 总结（核心功能架构）
| 模块 | 技术组件 | 说明 |
|---|---|---|
| PDF 问答 | FAISS + Retriever Tool | 构成 RAG 检索增强流程 |
| CSV 分析 | PythonAstREPLTool + Pandas | 实现代码生成 + 可视化 |
| LLM | DeepSeek Chat | 统一 Agent 调用 |
| 向量库 | DashScope Embedding + FAISS | 支持中文语义匹配 |
| UI | Streamlit + 自定义 CSS | 提供多 Tab 页面与交互式聊天 |
| 状态管理 | st.session_state |
管理历史、数据、图片等上下文 |
PDF相关功能解说见上篇文章，这里主要对数据分析功能进行说明
- Step 1. CSV 文件上传与 DataFrame 显示。用户上传 .csv 文件后由 pandas.read_csv() 加载为 DataFrame，实时预览数据行列、列名、类型等信息。
- Step 2. 构建代码执行工具 Agent。构建系统提示，注入 DataFrame 的 .head() 输出增强语境理解，使用 PythonAstREPLTool 工具允许模型执行基于 df 的代码分析，通过 create_tool_calling_agent 构建分析 Agent，可执行筛选、分组、聚合等 pandas 操作，图表绘制（保存为 plot.png，关键词识别后渲染）。
- Step 3. 图表识别与自动展示。若模型返回内容中包含 "GRAPH:"，则自动读取 plot.png 并展示；支持 plt.hist()、plt.bar() 等可视化命令；会话记录中分类保存文本、图像与表格类型内容。
7、运行结果
7.1 PDF问答
python
> Entering new AgentExecutor chain...
Invoking: `pdf_extractor` with `{'query': 'LangChain竞品框架对比'}`
responded: 我来查询一下LangChain竞品框架的对比信息。
显著缩短从Demo到生产的距离。
4.1组件标准化接口：降低集成成本、摆脱厂商锁定
LangChain为"模型---工具---检索---管道"这几类基础构件提供了统一的抽象层，显著
减少在不同厂商接口之间改写代码的工作量。核心在于：
Runnable/LCEL标准化编排：所有链式组件统一实现Runnable接口；在此之上，
LangChainExpressionLanguage（LCEL）用声明式语法把提示词、模型调用、解析
器、检索器等拼装为稳定的"链"，并天然支持流式返回、异步与并行，还自动打点
到LangSmith（需要外网，国内不方便），便于调试与回溯。官方也明确给出使
用指引：简单编排用LCEL，涉及分支、循环、多智能体与显式状态时转用
LangGraph。
ToolCalling统一接口：不同模型厂商（OpenAI/Anthropic/Gemini等）对工具调
用的返回结构各不相同。LangChain将其**标准化为ChatModel.bind_tools()+
AIMessage.tool_calls**，开发者只需用@tool装饰器定义函数及其模式
(schema)，再绑定到支持工具调用的模型即可跨厂商复用。这样避免了早期需要针
对各家API拆additional_kwargs的脆弱写法。
检索/向量库/文档加载的统一协议：LangChain为Retriever抽象出统一接口；向量
库可一键转为检索器（.as_retriever()），既能对接Faiss、Pinecone等向量库，
也能接入如Kendra、Wikipedia、API搜索等非向量后端；而DocumentLoader提
供上百种数据源适配（本地/云存储/协作平台/社媒等），统一产出
Document{page_content,metadata}以便后续切分、嵌入与检索。
作用：统一的模型/工具/检索/编排抽象让团队可以快速换型（模型或向量
库迁移时仅需少量改动），并把工程精力集中在业务逻辑而非粘合代码上。
4.2复杂应用的编排：从"轻管道"到"有状态多智能体"
LangChain覆盖了从简单链到复杂代理系统的全谱系编排能力：
LCEL适合轻量链路：如"Prompt→LLM→解析器"、"RAG的检索→重写→
险心里有数，加速从Demo到可用产品的迁移。
4.4生产部署与管理：长跑型智能体的托管、伸缩与治理
从"能跑"到"能长跑"，关键在运行时与治理能力。LangChain提供LangGraph
Platform作为生产级运行时：
长运行/有状态代理的运行时：提供执行、持久化、监控、扩缩等API；可把用
LangGraph（或其他框架）构建的代理托管成托管端点，并附带面向"助手/代理
UX"的观点化API与集成开发者工作室。
多部署形态：支持本地开发免费运行，生产可选云、混合、自建三种模式，满足
合规/内网/成本等差异化诉求。
作用：把"能工作的多智能体"稳定地跑在生产，并通过平台化能力做好
可观测、扩缩与团队协作；结合LangSmith，可形成"开发---评测---部
署---观测"一体化流水线。
4.5典型落地价值（角色定位小结）
对应用工程师：统一接口+LCEL让原型快、维护稳；检索/工具接入与切换低成本。
对平台/架构团队：LangGraph让复杂代理可控可回放，HITL与状态持久化支撑审计与风
控。
对运维与质量团队：LangSmith把不确定性指标化，持续评测+线上观测锁定问题根因与回
归。
对生产部署：LangGraphPlatform提供可选托管路径与多形态部署，让智能体从实验室走向长
期在线服务。
LangChain通过标准化接口（LCEL/Tool/Retriever/Loader）、分层编排（LCEL↔
LangGraph）、可观测与评测（LangSmith）以及生产运行时（LangGraphPlatform），
把LLM从"强但不稳"的黑盒，变成可复用、可组合、可观测、可运营的工程化能力底
座，显著缩短从Demo到生产的距离。
如果团队更偏向可视化搭建与教学演示，可引入LangFlow作为低/零代码
的可视化编排界面（与LangChain概念一一对应，支持主流LLM/向量库），
用于快速试验与团队协作
五、LangChain的优势
LangChain具有以下优势：
灵活性与扩展性：支持与多种模型、工具和数据源的集成，适应不同的应用场景。
模块化设计：各组件功能独立，开发者可以根据需求选择使用，降低了耦合度。
活跃的社区支持：拥有庞大的开发者社区，提供丰富的资源和支持，促进了生态的
持续发展。
集成LangChain：与LangChain紧密集成，支持所有主要的LLM和向量数据库。
多代理支持：支持多代理的编排和对话管理。
实时测试：提供即时测试环境，支持快速迭代和调试。
适用场景：
快速原型开发和MVP构建。
需要低代码解决方案的开发者。
教育和培训场景中的应用构建。
5.LangGraphStudio：可视化调试与开发环境
功能概述：
可视化代理图：提供可视化的代理图，帮助开发者理解应用结构。
实时交互：支持在代理运行过程中修改结果或逻辑，进行实时调试。
代码编辑器集成：支持在代码编辑器中修改代码，并能够重新运行节点。
适用场景：
开发复杂的代理应用程序。
需要实时调试和交互的开发环境。
教育和培训场景中的应用开发。
6.LangGraphPlatform：生产就绪的托管平台
功能概述：
托管基础设施：提供托管基础设施，用于部署长期运行、有状态的AI代理。
多智能体协作：支持多智能体的协作和任务调度。
持久化上下文管理：支持持久化的上下文管理，确保代理的长期运行。
适用场景：
需要长期运行和高可用性的生产环境。
需要多智能体协作和任务调度的应用。
需要持久化上下文管理的复杂应用。
通过这些工具的协同工作，开发者可以构建、调试、部署和维护复杂的LLM应用，满
足不同场景的需求。
四、LangChain解决的问题与作用
LangChain通过标准化接口（LCEL/Tool/Retriever/Loader）、分层编排（LCEL↔
LangGraph）、可观测与评测（LangSmith）以及生产运行时（LangGraphPlatform），把
LLM从"强但不稳"的黑盒，变成可复用、可组合、可观测、可运营的工程化能力底座，
显著缩短从Demo到生产的距离。
4.1组件标准化接口：降低集成成本、摆脱厂商锁定
LangChain为"模型---工具---检索---管道"这几类基础构件提供了统一的抽象层，显著
减少在不同厂商接口之间改写代码的工作量。核心在于：
Runnable/LCEL标准化编排：所有链式组件统一实现Runnable接口；在此之上，
作用：统一的模型/工具/检索/编排抽象让团队可以快速换型（模型或向量
库迁移时仅需少量改动），并把工程精力集中在业务逻辑而非粘合代码上。
4.2复杂应用的编排：从"轻管道"到"有状态多智能体"
LangChain覆盖了从简单链到复杂代理系统的全谱系编排能力：
LCEL适合轻量链路：如"Prompt→LLM→解析器"、"RAG的检索→重写→
生成"等线性或轻分支流程，享受流式、异步、并行与内建追踪。官方建议复杂度
不高时用LCEL，让代码更简洁、性能更稳。
LangGraph处理复杂/长期/多智能体场景：当流程存在显式状态、循环、分支、
回退、多代理协作，或需要持久化与断点续跑、人类在环(HITL)时，使用
LangGraph。它支持耐久执行、全面记忆（短/长时），并能把图状态做检查点，
从而在审核或人工介入后暂停/继续执行------这是生产环境智能体需要的"可控性"。
作用：把简单场景交给LCEL，把复杂有状态场景交给LangGraph，既保证
开发效率，又确保复杂系统在生产中的可控与韧性。4.3可观察性与评估：把"不确定的LLM"变 成"可度量的系统"
LLM天生概率性强、易漂移，LangChain通过LangSmith提供从开发到上线的一
体化可观测与评测：
Tracing&Debugging：对每次调用自动记录输入、输出、耗时、代价、链路拓扑
与工具调用细节；配合LCEL的自动打点，复杂链路也能完整复盘。
Datasets&Evaluations：把真实用户数据或合成样例沉淀为数据集，按"数据集→
目标函数→评测器"运行评测，比较不同Prompt/模型/参数/版本的得分，
定位失败样例并复现；评测既支持通用正确性，也可写自定义evaluator贴合业务
指标。
作用：形成"观测---诊断---改进---再评测"闭环，让团队对质量与回归风
险心里有数，加速从Demo到可用产品的迁移。
4.4生产部署与管理：长跑型智能体的托管、伸缩与治理
从"能跑"到"能长跑"，关键在运行时与治理能力。LangChain提供LangGraph
Platform作为生产级运行时：
长运行/有状态代理的运行时：提供执行、持久化、监控、扩缩等API；可把用
LangGraph（或其他框架）构建的代理托管成托管端点，并附带面向"助手/代理
Invoking: `pdf_extractor` with `{'query': '竞品框架 比较 对比 其他框架'}`
responded: 让我继续查询更多关于LangChain竞品框架的对比信息。
险心里有数，加速从Demo到可用产品的迁移。
4.4生产部署与管理：长跑型智能体的托管、伸缩与治理
从"能跑"到"能长跑"，关键在运行时与治理能力。LangChain提供LangGraph
Platform作为生产级运行时：
长运行/有状态代理的运行时：提供执行、持久化、监控、扩缩等API；可把用
LangGraph（或其他框架）构建的代理托管成托管端点，并附带面向"助手/代理
UX"的观点化API与集成开发者工作室。
多部署形态：支持本地开发免费运行，生产可选云、混合、自建三种模式，满足
合规/内网/成本等差异化诉求。
作用：把"能工作的多智能体"稳定地跑在生产，并通过平台化能力做好
可观测、扩缩与团队协作；结合LangSmith，可形成"开发---评测---部
署---观测"一体化流水线。
4.5典型落地价值（角色定位小结）
对应用工程师：统一接口+LCEL让原型快、维护稳；检索/工具接入与切换低成本。
对平台/架构团队：LangGraph让复杂代理可控可回放，HITL与状态持久化支撑审计与风
控。
对运维与质量团队：LangSmith把不确定性指标化，持续评测+线上观测锁定问题根因与回
归。
对生产部署：LangGraphPlatform提供可选托管路径与多形态部署，让智能体从实验室走向长
期在线服务。
LangChain通过标准化接口（LCEL/Tool/Retriever/Loader）、分层编排（LCEL↔
LangGraph）、可观测与评测（LangSmith）以及生产运行时（LangGraphPlatform），
把LLM从"强但不稳"的黑盒，变成可复用、可组合、可观测、可运营的工程化能力底
座，显著缩短从Demo到生产的距离。
如果团队更偏向可视化搭建与教学演示，可引入LangFlow作为低/零代码
的可视化编排界面（与LangChain概念一一对应，支持主流LLM/向量库），
用于快速试验与团队协作
五、LangChain的优势
LangChain具有以下优势：
灵活性与扩展性：支持与多种模型、工具和数据源的集成，适应不同的应用场景。
模块化设计：各组件功能独立，开发者可以根据需求选择使用，降低了耦合度。
活跃的社区支持：拥有庞大的开发者社区，提供丰富的资源和支持，促进了生态的
持续发展。
显著缩短从Demo到生产的距离。
4.1组件标准化接口：降低集成成本、摆脱厂商锁定
LangChain为"模型---工具---检索---管道"这几类基础构件提供了统一的抽象层，显著
减少在不同厂商接口之间改写代码的工作量。核心在于：
Runnable/LCEL标准化编排：所有链式组件统一实现Runnable接口；在此之上，
LangChainExpressionLanguage（LCEL）用声明式语法把提示词、模型调用、解析
器、检索器等拼装为稳定的"链"，并天然支持流式返回、异步与并行，还自动打点
到LangSmith（需要外网，国内不方便），便于调试与回溯。官方也明确给出使
用指引：简单编排用LCEL，涉及分支、循环、多智能体与显式状态时转用
LangGraph。
ToolCalling统一接口：不同模型厂商（OpenAI/Anthropic/Gemini等）对工具调
用的返回结构各不相同。LangChain将其**标准化为ChatModel.bind_tools()+
AIMessage.tool_calls**，开发者只需用@tool装饰器定义函数及其模式
(schema)，再绑定到支持工具调用的模型即可跨厂商复用。这样避免了早期需要针
对各家API拆additional_kwargs的脆弱写法。
检索/向量库/文档加载的统一协议：LangChain为Retriever抽象出统一接口；向量
库可一键转为检索器（.as_retriever()），既能对接Faiss、Pinecone等向量库，
也能接入如Kendra、Wikipedia、API搜索等非向量后端；而DocumentLoader提
供上百种数据源适配（本地/云存储/协作平台/社媒等），统一产出
Document{page_content,metadata}以便后续切分、嵌入与检索。
作用：统一的模型/工具/检索/编排抽象让团队可以快速换型（模型或向量
库迁移时仅需少量改动），并把工程精力集中在业务逻辑而非粘合代码上。
4.2复杂应用的编排：从"轻管道"到"有状态多智能体"
LangChain覆盖了从简单链到复杂代理系统的全谱系编排能力：
LCEL适合轻量链路：如"Prompt→LLM→解析器"、"RAG的检索→重写→
调试、部署到可视化编排的全方位工具。以下是对LangChain核心生态系统中主要组件
的详细介绍：
1.LangChain：LLM应用的基础框架功能概述：
模块化构建：提供Prompt模板、工具调用、记忆管理、检索增强生成（RAG）
等模块，帮助开发者构建复杂的LLM应用。
多模型支持：支持与OpenAI、Anthropic、HuggingFace等多种大型语言模型的集
成。
丰富的集成：提供与数据库、API、文件系统等外部资源的集成，扩展应用的能力。
适用场景：
快速原型开发。
构建线性流程的LLM应用。
需要灵活集成多种工具和资源的应用。
2.LangGraph：复杂工作流的编排引擎
功能概述：
状态管理：维护应用的当前状态，支持持久化和流式处理。
多智能体协作：支持多代理的协作和通信，适用于复杂的任务分配和执行。可与
LangChain兼容开发使用。
流程控制：支持循环、条件判断等复杂的流程控制。
适用场景：
构建复杂的多智能体系统。
需要动态决策和状态管理的应用。
需要高可扩展性和可靠性的生产环境。
3.LangSmith：开发和生产的可观察性平台
功能概述：
追踪与调试：提供对LLM应用的追踪和调试功能，帮助开发者识别和解决问题。
性能评估：评估模型和链的性能，提供优化建议。
框架无关性：支持与多种LLM框架的集成，不仅限于LangChain。
适用场景：
开发阶段的调试和优化。
生产环境中的监控和评估。
需要高可靠性和可维护性的应用。
4.LangFlow：低代码的可视化应用构建工具
功能概述：
拖拽式界面：通过可视化界面，用户可以拖拽组件，快速构建AI应用。可对比
Dify，相比之下，LangFlow完全开源，更加灵活。
集成LangChain：与LangChain紧密集成，支持所有主要的LLM和向量数据库。
多代理支持：支持多代理的编排和对话管理。
实时测试：提供即时测试环境，支持快速迭代和调试。
适用场景：
快速原型开发和MVP构建。
需要低代码解决方案的开发者。
教育和培训场景中的应用构建。
5.LangGraphStudio：可视化调试与开发环境
集成LangChain：与LangChain紧密集成，支持所有主要的LLM和向量数据库。
多代理支持：支持多代理的编排和对话管理。
实时测试：提供即时测试环境，支持快速迭代和调试。
适用场景：
快速原型开发和MVP构建。
需要低代码解决方案的开发者。
教育和培训场景中的应用构建。
5.LangGraphStudio：可视化调试与开发环境
功能概述：
可视化代理图：提供可视化的代理图，帮助开发者理解应用结构。
实时交互：支持在代理运行过程中修改结果或逻辑，进行实时调试。
代码编辑器集成：支持在代码编辑器中修改代码，并能够重新运行节点。
适用场景：
开发复杂的代理应用程序。
需要实时调试和交互的开发环境。
教育和培训场景中的应用开发。
6.LangGraphPlatform：生产就绪的托管平台
功能概述：
托管基础设施：提供托管基础设施，用于部署长期运行、有状态的AI代理。
多智能体协作：支持多智能体的协作和任务调度。
持久化上下文管理：支持持久化的上下文管理，确保代理的长期运行。
适用场景：
需要长期运行和高可用性的生产环境。
需要多智能体协作和任务调度的应用。
需要持久化上下文管理的复杂应用。
通过这些工具的协同工作，开发者可以构建、调试、部署和维护复杂的LLM应用，满
足不同场景的需求。
四、LangChain解决的问题与作用
LangChain通过标准化接口（LCEL/Tool/Retriever/Loader）、分层编排（LCEL↔
LangGraph）、可观测与评测（LangSmith）以及生产运行时（LangGraphPlatform），把
LLM从"强但不稳"的黑盒，变成可复用、可组合、可观测、可运营的工程化能力底座，
显著缩短从Demo到生产的距离。
4.1组件标准化接口：降低集成成本、摆脱厂商锁定
LangChain为"模型---工具---检索---管道"这几类基础构件提供了统一的抽象层，显著
减少在不同厂商接口之间改写代码的工作量。核心在于：
Runnable/LCEL标准化编排：所有链式组件统一实现Runnable接口；在此之上，
Invoking: `pdf_extractor` with `{'query': 'Dify LLamaIndex AutoGen Haystack 框架'}`
responded: 让我查询更多关于其他框架的信息。
一、前言
在当今AI应用开发领域，大型语言模型（LLM）已成为核心技术之一。然而，如
何将LLM与外部数据源、工具和API有效集成，构建高效、可扩展的智能应用，仍然
是开发者面临的挑战。为此，LangChain应运而生，提供了一个灵活、模块化的框架，帮
助开发者构建复杂的LLM应用。
作为一个大模型开发者，在选择合适的框架时，应根据具体的应用需求、团队的技术
栈以及项目的复杂度等因素进行综合考虑。LangChain、LlamaIndex和GoogleADK
（AgentDevelopmentKit）等不同的开发框架各有优势，理解它们的特点和适用场景，
有助于做出更合适的选择。
1.LangChain
特点：提供与LLM的集成、工具调用、记忆管理、流程控制等功能，支持多种
数据源和模型的接入。
优势：模块化设计，灵活性高，适用于构建复杂的LLM应用。
适用场景：需要高度自定义和灵活性的应用，如智能客服、文档分析等。
2.LlamaIndex
特点：专注于检索增强生成（RAG）任务，提供数据加载、索引构建、查询引擎
等功能。
优势：在处理大规模数据集和高效信息检索方面表现出色。
适用场景：需要高效信息检索和问答功能的应用，如知识库构建、搜索引擎等。
3.GoogleADK
特点：提供模块化、多智能体系统的构建能力，支持结构化和动态的工作流编排。
优势：适用于构建复杂的多智能体系统，支持多种代理的协作和任务调度。
适用场景：需要多智能体协作和复杂任务调度的应用，如自动化流程、智能助手
等。
二、LangChain的背景与诞生
LangChain由HarrisonChase于2021年提出，并于2022年作为开源项目正式发
布。其初衷是简化大型语言模型（LLM）与外部数据源、工具和API的集成，推动
LLM应用的快速开发。
2022年：功能扩展与生态起步2022年，LangChain发布了第一个版本，提供了
基础的提示词（Prompt）管理功能，并支持将工具（Tool）与语言模型结合，支持
调用外部API。同时，新增了对外部数据源的支持，包括SQL数据库、NoSQL
数据库、文件系统等，使得开发者能够将LLM与各种数据源无缝集成。
调试、部署到可视化编排的全方位工具。以下是对LangChain核心生态系统中主要组件
的详细介绍：
1.LangChain：LLM应用的基础框架功能概述：
模块化构建：提供Prompt模板、工具调用、记忆管理、检索增强生成（RAG）
等模块，帮助开发者构建复杂的LLM应用。
多模型支持：支持与OpenAI、Anthropic、HuggingFace等多种大型语言模型的集
成。
丰富的集成：提供与数据库、API、文件系统等外部资源的集成，扩展应用的能力。
适用场景：
快速原型开发。
构建线性流程的LLM应用。
需要灵活集成多种工具和资源的应用。
2.LangGraph：复杂工作流的编排引擎
功能概述：
状态管理：维护应用的当前状态，支持持久化和流式处理。
多智能体协作：支持多代理的协作和通信，适用于复杂的任务分配和执行。可与
LangChain兼容开发使用。
流程控制：支持循环、条件判断等复杂的流程控制。
适用场景：
构建复杂的多智能体系统。
需要动态决策和状态管理的应用。
需要高可扩展性和可靠性的生产环境。
3.LangSmith：开发和生产的可观察性平台
功能概述：
追踪与调试：提供对LLM应用的追踪和调试功能，帮助开发者识别和解决问题。
性能评估：评估模型和链的性能，提供优化建议。
框架无关性：支持与多种LLM框架的集成，不仅限于LangChain。
适用场景：
开发阶段的调试和优化。
生产环境中的监控和评估。
需要高可靠性和可维护性的应用。
4.LangFlow：低代码的可视化应用构建工具
功能概述：
拖拽式界面：通过可视化界面，用户可以拖拽组件，快速构建AI应用。可对比
Dify，相比之下，LangFlow完全开源，更加灵活。
集成LangChain：与LangChain紧密集成，支持所有主要的LLM和向量数据库。
多代理支持：支持多代理的编排和对话管理。
实时测试：提供即时测试环境，支持快速迭代和调试。
适用场景：
快速原型开发和MVP构建。
需要低代码解决方案的开发者。
教育和培训场景中的应用构建。
5.LangGraphStudio：可视化调试与开发环境
LLM应用的快速开发。
2022年：功能扩展与生态起步2022年，LangChain发布了第一个版本，提供了
基础的提示词（Prompt）管理功能，并支持将工具（Tool）与语言模型结合，支持
调用外部API。同时，新增了对外部数据源的支持，包括SQL数据库、NoSQL
数据库、文件系统等，使得开发者能够将LLM与各种数据源无缝集成。
2023年：快速发展与生态构建2023年，LangChain进入快速发展阶段，推出了
多个关键功能模块，包括链（Chain）、记忆（Memory）、工具与代理（Tool&
Agent）、检索增强生成（RAG）支持、流水线功能等，进一步增强了框架的灵活
性和功能性。同时，LangChain加强了社区建设，吸引了大量开发者参与，生态系
统逐步完善。
2024年：稳定版本发布与企业化进程2024年1月8日，LangChain发布了第
一个稳定版本（0.1.0），标志着框架进入成熟阶段。同年2月，LangChain发布
了LangSmith，这是一个闭源的可观察性和评估平台，旨在帮助开发者跟踪、评估
并迭代LLM应用。此外，LangChain宣布完成了由SequoiaCapital领投的2500
万美元A轮融资。
2025年：多智能体系统与长期部署能力2025年5月14日，LangChain推出了
LangGraph平台，提供了托管基础设施，用于部署长期运行、有状态的AI代理。
该平台支持多智能体协作、动态任务调度和持久化上下文管理，适用于复杂的工作
流和多步骤任务。此外，LangChain继续扩展其生态系统，推出了多个新功能和工
具，进一步提升了框架的能力和适用范围。
三、LangChain的核心生态系统 在构建智能应用的过程中，LangChain提供了一个强大的生态 系统，涵盖了从开发、
调试、部署到可视化编排的全方位工具。以下是对LangChain核心生态系统中主要组件
的详细介绍：
1.LangChain：LLM应用的基础框架功能概述：
模块化构建：提供Prompt模板、工具调用、记忆管理、检索增强生成（RAG）
等模块，帮助开发者构建复杂的LLM应用。
多模型支持：支持与OpenAI、Anthropic、HuggingFace等多种大型语言模型的集
成。
显著缩短从Demo到生产的距离。
4.1组件标准化接口：降低集成成本、摆脱厂商锁定
LangChain为"模型---工具---检索---管道"这几类基础构件提供了统一的抽象层，显著
减少在不同厂商接口之间改写代码的工作量。核心在于：
Runnable/LCEL标准化编排：所有链式组件统一实现Runnable接口；在此之上，
LangChainExpressionLanguage（LCEL）用声明式语法把提示词、模型调用、解析
器、检索器等拼装为稳定的"链"，并天然支持流式返回、异步与并行，还自动打点
到LangSmith（需要外网，国内不方便），便于调试与回溯。官方也明确给出使
用指引：简单编排用LCEL，涉及分支、循环、多智能体与显式状态时转用
LangGraph。
ToolCalling统一接口：不同模型厂商（OpenAI/Anthropic/Gemini等）对工具调
用的返回结构各不相同。LangChain将其**标准化为ChatModel.bind_tools()+
AIMessage.tool_calls**，开发者只需用@tool装饰器定义函数及其模式
(schema)，再绑定到支持工具调用的模型即可跨厂商复用。这样避免了早期需要针
对各家API拆additional_kwargs的脆弱写法。
检索/向量库/文档加载的统一协议：LangChain为Retriever抽象出统一接口；向量
库可一键转为检索器（.as_retriever()），既能对接Faiss、Pinecone等向量库，
也能接入如Kendra、Wikipedia、API搜索等非向量后端；而DocumentLoader提
供上百种数据源适配（本地/云存储/协作平台/社媒等），统一产出
Document{page_content,metadata}以便后续切分、嵌入与检索。
作用：统一的模型/工具/检索/编排抽象让团队可以快速换型（模型或向量
库迁移时仅需少量改动），并把工程精力集中在业务逻辑而非粘合代码上。
4.2复杂应用的编排：从"轻管道"到"有状态多智能体"
LangChain覆盖了从简单链到复杂代理系统的全谱系编排能力：
LCEL适合轻量链路：如"Prompt→LLM→解析器"、"RAG的检索→重写→根据查询到的信息，我来为您总结LangChain与竞品框架的对比：
## LangChain竞品框架对比
### 主要竞品框架概览
#### 1. **LlamaIndex**
- **特点**：专注于检索增强生成（RAG）任务，提供数据加载、索引构建、查询引擎等功能
- **优势**：在处理大规模数据集和高效信息检索方面表现出色
- **适用场景**：需要高效信息检索和问答功能的应用，如知识库构建、搜索引擎等
#### 2. **Google ADK (Agent Development Kit)**
- **特点**：提供模块化、多智能体系统的构建能力，支持结构化和动态的工作流编排
- **优势**：适用于构建复杂的多智能体系统，支持多种代理的协作和任务调度
- **适用场景**：需要多智能体协作和复杂任务调度的应用，如自动化流程、智能助手等
#### 3. **Dify**
- **特点**：低代码平台，提供可视化界面构建AI应用
- **对比**：与LangFlow相比，Dify是部分闭源的，而LangFlow完全开源，更加灵活
### LangChain的独特优势
#### 1. **完整的生态系统**
LangChain提供了一个完整的生态系统，包括：
- **LangChain**：基础框架，提供模块化构建能力
- **LangGraph**：复杂工作流编排引擎，支持状态管理和多智能体协作
- **LangSmith**：可观察性平台，提供追踪、调试和性能评估
- **LangFlow**：低代码可视化应用构建工具，完全开源
- **LangGraph Studio**：可视化调试与开发环境
- **LangGraph Platform**：生产就绪的托管平台
#### 2. **标准化接口**
- **Runnable/LCEL标准化编排**：所有链式组件统一实现Runnable接口，支持流式返回、异步与并行
- **Tool Calling统一接口**：将不同模型厂商的工具调用标准化，实现跨厂商复用
- **检索/向量库/文档加载的统一协议**：提供统一的Retriever接口，支持多种向量库和数据源
#### 3. **分层编排能力**
- **LCEL**：适合轻量链路，如简单的"Prompt→LLM→解析器"流程
- **LangGraph**：处理复杂/长期/多智能体场景，支持显式状态、循环、分支、回退等
#### 4. **从Demo到生产的完整支持**
- **开发阶段**：统一接口+LCEL让原型开发快速、维护稳定
- **调试评测**：LangSmith提供完整的可观测与评测能力
- **生产部署**：LangGraph Platform提供托管、伸缩与治理能力
- **多部署形态**：支持本地、云、混合、自建等多种部署模式
### 框架选择建议
选择框架时应考虑以下因素：
1. **如果需要快速原型开发和灵活集成**：选择LangChain
2. **如果专注于RAG和信息检索**：选择LlamaIndex
3. **如果需要复杂的多智能体协作**：LangChain的LangGraph或Google ADK
4. **如果需要低代码可视化开发**：LangFlow（开源）或Dify
5. **如果需要完整的生产级解决方案**：LangChain生态系统提供最全面的支持
### 总结
LangChain的核心优势在于其完整的生态系统和标准化的接口设计，能够显著缩短从Demo到生产的距离。它不仅提供了基础的框架能力，还通过LangGraph、LangSmith、LangFlow等工具覆盖 了开发、调试、部署、监控的全生命周期，特别适合需要构建复杂、可扩展的企业级LLM应用的团队。
> Finished chain.7.2 数据分析
基于titanic数据集进行测试
python
> Entering new AgentExecutor chain...
Invoking: `python_repl_ast` with `{'query': 'import pandas as pd\nimport matplotlib.pyplot as plt\nimport seaborn as sns\n\n# 设置中文字体\nplt.rcParams["font.family"] = ["SimHei"]\nplt.rcParams["axes.unicode_minus"] = False\n\n# 查看数据基本信息\nprint("数据基本信息:")\nprint(f"数据集大小: {df.shape}")\nprint(f"船舱等级分布:")\nprint(df[\'Pclass\'].value_counts())\nprint(f"\\n年龄列缺失值数量: {df[\'Age\'].isnull().sum()}")\nprint(f"年龄描述性统计:")\nprint(df[\'Age\'].describe())'}`
responded: 我来分析不同船舱等级的年龄分布。首先让我查看一下数据的基本情况，然后生成相应的图表。
ModuleNotFoundError: No module named 'seaborn'
Invoking: `python_repl_ast` with `{'query': 'import pandas as pd\nimport matplotlib.pyplot as plt\n\n# 设置中文字体\nplt.rcParams["font.family"] = ["SimHei"]\nplt.rcParams["axes.unicode_minus"] = False\n\n# 查看数据基本信息\nprint("数据基本信息:")\nprint(f"数据集大小: {df.shape}")\nprint(f"船舱等级分布:")\nprint(df[\'Pclass\'].value_counts())\nprint(f"\\n年龄列缺失值数量: {df[\'Age\'].isnull().sum()}")\nprint(f"年龄描述性统计:")\nprint(df[\'Age\'].describe())'}`
responded: 让我使用matplotlib来创建图表：
数据基本信息:
数据集大小: (891, 12)
船舱等级分布:
Pclass
3 491
1 216
2 184
Name: count, dtype: int64
年龄列缺失值数量: 177
年龄描述性统计:
count 714.000000
mean 29.699118
std 14.526497
min 0.420000
25% 20.125000
50% 28.000000
75% 38.000000
max 80.000000
Name: Age, dtype: float64
Invoking: `python_repl_ast` with `{'query': '# 按船舱等级分组查看年龄统计\nprint("\\n不同船舱等级的年龄统计:")\nage_by_class = df.groupby(\'Pclass\')[\'Age\'].describe()\nprint(age_by_class)'}`
不同船舱等级的年龄统计:
count mean std min 25% 50% 75% max
Pclass
1 186.0 38.233441 14.802856 0.92 27.0 37.0 49.0 80.0
2 173.0 29.877630 14.001077 0.67 23.0 29.0 36.0 70.0
3 355.0 25.140620 12.495398 0.42 18.0 24.0 32.0 74.0
Invoking: `python_repl_ast` with `{'query': "# 创建箱线图显示不同船舱等级的年龄分布\nplt.figure(figsize=(10, 6))\n\n# 按船舱等级分组数据\nclass1_ages = df[df['Pclass'] == 1]['Age'].dropna()\nclass2_ages = df[df['Pclass'] == 2]['Age'].dropna()\nclass3_ages = df[df['Pclass'] == 3]['Age'].dropna()\n\n# 创建箱线图\ndata = [class1_ages, class2_ages, class3_ages]\nlabels = ['一等舱', '二等舱', '三等舱']\nplt.boxplot(data, labels=labels)\n\nplt.xlabel('船舱等级')\nplt.ylabel('年龄')\nplt.title('不同 船舱等级的年龄分布箱线图')\nplt.grid(True, alpha=0.3)\n\nplt.savefig('plot.png', dpi=300, bbox_inches='tight')\nplt.show()"}`
responded: 现在让我创建箱线图来可视化不同船舱等级的年龄分布：
<string>:1: UserWarning: FigureCanvasAgg is non-interactive, and thus cannot be shown
Invoking: `python_repl_ast` with `{'query': "# 创建直方图显示不同船舱等级的年龄分布\nplt.figure(figsize=(12, 8))\n\n# 创建子图\nfig, axes = plt.subplots(1, 3, figsize=(15, 5))\n\n# 一等舱年龄分布\naxes[0].hist(class1_ages, bins=20, alpha=0.7, color='blue', edgecolor='black')\naxes[0].set_title('一等舱年龄分布')\naxes[0].set_xlabel('年龄')\naxes[0].set_ylabel('频数')\naxes[0].grid(True, alpha=0.3)\n\n# 二等舱年龄分布\naxes[1].hist(class2_ages, bins=20, alpha=0.7, color='green', edgecolor='black')\naxes[1].set_title('二等舱年龄分布')\naxes[1].set_xlabel('年龄')\naxes[1].set_ylabel('频数')\naxes[1].grid(True, alpha=0.3)\n\n# 三等舱年龄分布\naxes[2].hist(class3_ages, bins=20, alpha=0.7, color='red', edgecolor='black')\naxes[2].set_title('三 等舱年龄分布')\naxes[2].set_xlabel('年龄')\naxes[2].set_ylabel('频数')\naxes[2].grid(True, alpha=0.3)\n\nplt.tight_layout()\nplt.savefig('plot.png', dpi=300, bbox_inches='tight')\nplt.show()"}`
responded: 现在让我再创建一个直方图来更详细地展示分布：
<string>:1: UserWarning: FigureCanvasAgg is non-interactive, and thus cannot be shown
Invoking: `python_repl_ast` with `{'query': '# 计算各船舱等级的年龄统计指标\nprint("\\n=== 不同船舱等级年龄分布分析 ===")\nprint(f"\\n一等舱 (Pclass=1):")\nprint(f" 平均年龄: {class1_ages.mean():.2f} 岁")\nprint(f" 年龄中位数: {class1_ages.median():.2f} 岁")\nprint(f" 年龄标准差: {class1_ages.std():.2f} 岁")\nprint(f" 最小年龄: {class1_ages.min():.2f} 岁")\nprint(f" 最大年龄: {class1_ages.max():.2f} 岁")\n\nprint(f"\\n二等舱 (Pclass=2):")\nprint(f" 平均年龄: {class2_ages.mean():.2f} 岁")\nprint(f" 年龄中位数: {class2_ages.median():.2f} 岁")\nprint(f" 年龄标准差: {class2_ages.std():.2f} 岁")\nprint(f" 最小年龄: {class2_ages.min():.2f} 岁")\nprint(f" 最大年龄: {class2_ages.max():.2f} 岁")\n\nprint(f"\\n三等舱 (Pclass=3):")\nprint(f" 平均年龄: {class3_ages.mean():.2f} 岁")\nprint(f" 年龄中位数: {class3_ages.median():.2f} 岁")\nprint(f" 年龄标准差: {class3_ages.std():.2f} 岁")\nprint(f" 最 小年龄: {class3_ages.min():.2f} 岁")\nprint(f" 最大年龄: {class3_ages.max():.2f} 岁")'}`
responded: 让我再计算一些关键的统计指标：
=== 不同船舱等级年龄分布分析 ===
一等舱 (Pclass=1):
平均年龄: 38.23 岁
年龄中位数: 37.00 岁
年龄标准差: 14.80 岁
最小年龄: 0.92 岁
最大年龄: 80.00 岁
二等舱 (Pclass=2):
平均年龄: 29.88 岁
年龄中位数: 29.00 岁
年龄标准差: 14.00 岁
最小年龄: 0.67 岁
最大年龄: 70.00 岁
三等舱 (Pclass=3):
平均年龄: 25.14 岁
年龄中位数: 24.00 岁
年龄标准差: 12.50 岁
最小年龄: 0.42 岁
最大年龄: 74.00 岁
GRAPH:不同船舱等级的年龄分布分析
## 不同船舱等级年龄分布分析总结：
### 主要发现：
1. **明显的等级差异**：
- **一等舱**：平均年龄最高（38.23岁），乘客相对年长
- **二等舱**：平均年龄中等（29.88岁）
- **三等舱**：平均年龄最低（25.14岁），乘客相对年轻
2. **年龄分布特征**：
- 一等舱：年龄范围广（0.92-80岁），中老年人比例较高
- 二等舱：年龄分布相对集中，以青壮年为主
- 三等舱：年龄分布最集中，年轻人占主导
3. **统计指标对比**：
- 一等舱乘客比三等舱乘客平均年长约13岁
- 所有船舱等级都有儿童乘客（最小年龄0.42-0.92岁）
- 一等舱有更多高龄乘客（最大年龄80岁）
### 结论：
不同船舱等级的年龄分布反映了当时的社会阶层结构，一等舱主要服务于较年长、经济条件较好的乘客，而三等舱则更多是年轻的经济舱乘客。这种年龄差异可能与乘客的经济状况、社会地位和旅行目的相关。
> Finished chain.
