LangChain 1.0 入门实战（Part 1）详细笔记

LangChain 1.0 入门实战（Part 1）详细笔记

资料来源：Part 1.LangChain 1.0入门介绍（共 11 页）

1. LangChain 1.0 核心定位：从"拼装库"到"Agent Runtime"入口（p1）

1.1 定位升级：不再只是"胶水层"

• 1.0 时代 LangChain 的角色从"把模型、工具、链路拼起来"升级为面向生产的 Agent 开发生态入口：

  • 统一模型抽象（不同厂商模型调用体验趋同）

  • 标准化消息/内容块（输出结构统一）

  • 可插拔中间件（Middleware）（治理、审计、压缩、HITL 等）

  • 与 LangGraph 深度耦合（运行时能力、可控性、可扩展性）

1.2 底座迁移：Agent 运行在 LangGraph 上

• 1.0 的 Agent 运行时正式建立在 LangGraph：

  • 图式执行引擎（Graph runtime）

  • 带状态 、检查点（checkpoint）

  • 可中断/恢复（interrupt/resume）

  • 持久化 、并发控制

• 结论：你在 LangChain 层写的 Agent，本质上跑在 LangGraph 的图执行与状态机能力上。

1.3 历史包袱清理

• 旧路线 AgentExecutor 进入退场通道。

• 官方建议：新项目优先使用 基于 LangGraph 的 Agent 方案（LangChain 1.0 入口负责"好用"，LangGraph 负责"可控与可扩展"）。

1.4 一句话总结（p1）

• LangChain = 快速构建 + 统一抽象

• LangGraph = 低层可控 + 可伸缩运行时

• 两者叠加：既快又稳。

---

2. 三大"里程碑式能力"（p1--p2）

2.1 create_agent：统一创建入口（p1）

• 用一个 API 拉起"基于 LangGraph 的图式 Agent 运行时"

• 默认包含：

  • 循环调用（模型多轮）

  • 工具执行（tools）

  • 停机条件（stop conditions）

  • 可注入前后置钩子（中间件）

图示理解（p1 图）

典型循环：request → model → action(tools) → observation → model → ... → result

即 ReAct/工具调用类 Agent 的常见闭环。

2.2 标准化内容块（Standard content blocks）（p2）

• 目的：给不同模型厂商输出定义统一规范

• 收益：降低"换模型/换云厂商"带来的解析/适配成本

• 典型影响：

  • 多模态输出、工具调用结果、结构化片段等更容易用统一方式处理

  • 上层链路/存储/回放更标准

2.3 表面积瘦身（Surface Area Trim）（p2）

• 精简命名空间与冗余 API（如旧式多套 Agent 构造器）

• 将重心放回"最常用的接口与构件"

• 目标：

  • 降低选择焦虑

  • 降低迁移成本

  • 更清晰的最佳实践路径

---

3. 中间件（Middleware）：1.0 的"王牌工程化能力"（p2--p3）

3.1 中间件是什么

• 围绕"模型调用点"的拦截器/钩子系统

• 常见钩子：

  • before_model：模型调用前

  • after_model：模型调用后

  • wrap_model_call：包裹模型调用（可替换/路由/计费/重试/限流等）

图示理解（p2 图）

从 request 进入后，经历：

• before_agent

• before_model

• wrap_tool_call / wrap_model_call（分别围绕工具调用/模型调用）

• after_model

• after_agent

• 输出 result

这意味着：你不改 Agent 主体逻辑，也能加上治理策略与工程能力。

3.2 典型能力与场景（p2）

A. Human-in-the-loop（人在环，HITL）

• 对"敏感工具调用"自动中断，等待人工：

  • 批准 / 编辑 / 拒绝

• 要点：

  • 需要启用 checkpointer 才能中断后恢复

  • 在 Notebook/Studio 场景下可以用 JSON 决策恢复执行（文中提到实操验证思路）

B. 消息压缩/治理（上下文管理）

三类策略（p2）：

1. Trimming（修剪）：按条数或 token 上限，保留近期上下文

2. Deleting（删除）：精确移除早期或特定类型消息

3. SummarizationMiddleware（汇总）：累计 token 接近阈值时自动生成摘要，并保留若干最新消息

文中提到用 DeepSeek 演示了三套策略（侧重说明"可落地、可替换模型实现"）。

C. 动态模型路由（wrap_model_call）（p3）

• 按输入规模、关键词、预算等条件在不同模型间切换

  • 例：简单任务用 deepseek-chat，复杂推理用 deepseek-reasoner

• 价值：

  • 成本/延迟/效果动态平衡

  • 把"模型选择"变成可配置策略，而不是写死在业务逻辑

3.3 这些能力为什么能"生产级"

• 因为底层基于 LangGraph 的：

  • interrupt（可中断）

  • 状态持久化

  • 可恢复与可观测

---

4. LangChain 1.0 vs LangGraph：职责分工（p3）

官方主张："快速起步用 LangChain，复杂控制用 LangGraph，二者协同并行"。

维度	LangChain 1.0	LangGraph
定位	统一抽象 + 快速搭建（模型/消息/工具/链路/标准输出）	低层运行时（图式编排/状态管理/检查点/并发/可中断恢复）
Agent 入口	create_agent（开箱即用）	Graph API（自定义节点/边/条件）
可靠性	借助中间件 + Graph Runtime	Pregel 风格执行/检查点
治理能力	中间件（HITL、汇总、修剪、预算控制等）	中断、持久化、分支/循环、显式状态机
适用人群	产品/业务工程师，PoC→MVP	平台/基础设施工程师，需要精确控制的团队

---

5. LangChain.ai 工具生态：背景与演进（p3--p8）

5.1 "第一代大模型开发工具"的历史位置（p3--p4）

• LangChain 可视为 2022 年底大模型热潮后最早一批"真正意义上的开发框架"

• 当时（GPT-3/补全模型时代）大模型是"会推理生成文本的黑盒"，难以直接落地

• LangChain 通过组件化封装，让开发者像搭积木一样组合出：

  • 对话

  • 记忆

  • 工具调用

  • 结构化输出

    从形象角度：LangChain 更像"模型能力增强器"，而不是今天我们说的"Agent 框架本体"。

5.2 争议来源：时代变化 + 复杂度（p4--p6）

A. 模型原生能力增强导致"封装显得多余"

• GPT-3.5 对话模型、GPT-4 的 function calling、结构化输出、system prompt 等能力逐渐原生化

• 开发者会觉得：再用 LangChain 封装一层似乎"多此一举"

B. 复杂/臃肿的工程体验（p5）

• 开发者吐槽点：

  • 类太多、依赖太多

  • 学习成本像学一门新语言

  • 文档复杂、接口变化快

• 结果：某段时间出现开发者流失（p6）

C. "多模型适配"策略被对比（p6）

• 文中举例：谷歌 ADK 采用 LiteLLM 做底层模型调度，一个库调用多模型

• LangChain 则倾向于"每个主流模型单独封装一个库"

  • 用 DeepSeek 可能要装 langchain-deepseek

  • 用 Gemini 可能要装 langchain-google-genai

• 含义：生态扩展灵活，但也带来安装/依赖管理复杂度

5.3 LangChain 的改革方向：模块清晰化 + 企业级能力（p6）

文中给出"模块类别 → 示例功能"的总结表（核心能力图谱）：

• 模型接口封装：OpenAI、Claude、Cohere、Qwen 等统一调用方式

• 输出结构化：JSON / Schema / 函数签名 / 文档解析

• Memory 管理：Buffer / Summary / Entity / Conversation memory

• Tool 接入：Web 搜索、SQL DB、Python 执行器、API 代理

• Agent 架构：ReAct、Self-Ask、OpenAI Function Agent 等

• RAG 集成：Retriever、Vector Store、文档拆分策略

• Server/API 发布：把链部署为 Web 服务 / A2A Agent

• Debug & Callback：Token 使用统计、LangSmith 可视化追踪

结论（p6 原文意思）：

LangChain 是 LLM 功能开发的"积木工厂"，是模型增强器 + 应用组装工具箱，而不只是"框架"。

---

6. LangChain 家族关键产品：LangGraph / LangSmith / LangFlow（p6--p8）

6.1 LangGraph（p6--p7）

• 2023 年下半年开源

• 面向"图结构工作流 / Multi-Agent 系统"

• 支持配合 LangGraph Studio 做实时监控（文中展示效果图）

• 关键变化（p7）：

  • 从 LangChain 1.0 开始，LangChain 的核心 create_agent 以 LangGraph 为基座

  • 也就是说 LangGraph 从"高级 API"变成"基础能力层"

6.2 LangSmith（p7）

• 开源/平台化的 Agent 可视化监控与测试平台

• 能做：

  • 监控运行流程（trace）

  • 测试 Agent 功能

  • 对比不同提示词效果

• 作用：推动 LangChain 生态进入企业级可观测与评测体系

6.3 LangFlow（p7--p8）

• "可视化实现版 LangChain"（对标 Dify 的低代码体验）

• 特点（p8）：

  • 功能更完善

  • 没有商业化计划（文中观点：可长期稳定使用）

• GitHub 关注度：在工具家族中仅次于 LangChain（文中给了 stars 量级的对比描述）

---

7. 为什么"当下大模型开发人员必备技能：LangChain"（p9）

文中观点总结：

• 生态全面：适用于小规模实验到大规模商业部署

• 既支持代码开发，也支持低代码形态（LangFlow）

• 即便 OpenAI/Google 等发布新一代 Agent 框架，LangChain 在很多场景仍不可替代

• 相比之下，一些其他框架（如 AutoGen、CrewAI）适用面在收缩（文中表述倾向）

---

8. 案例/项目引用（p9--p11）

8.1 deer-flow（字节 Deep Research 应用）（p9--p10）

• 文中提到：deerflow 采用 LangChain & LangGraph 作为底层框架（用来说明其工程落地广泛）

8.2 Gemini Fullstack LangGraph Quickstart（p10--p11）

• Google 的热门开源 quickstart 项目

• 用 LangGraph 作为基础框架（强调 LangGraph 的"底座地位"）

---

9. 学习与落地建议（基于本讲内容整理）

9.1 建议的学习路径

1. 先用 LangChain 1.0 的 create_agent 快速跑通 demo（闭环：模型↔工具↔观察↔再推理）

2. 重点掌握 Middleware：

   • HITL（中断/审批）

   • 消息治理（trim/delete/summarize）

   • 模型路由（wrap_model_call）

3. 需要复杂编排/可控状态机时，下沉到 LangGraph Graph API：

   • 显式节点/边/条件

   • 分支、循环、持久化、并发

4. 上线前用 LangSmith 做可观测与评测体系（trace + prompt 对比）

9.2 面试/复盘时可用的"关键表述"

• LangChain 1.0 的核心变化：Agent Runtime 建立在 LangGraph 上

• Middleware 是 1.0 的工程化抓手：不改业务逻辑也能实现治理与策略

• LangChain vs LangGraph：一个偏开发入口与抽象，一个偏运行时与可控编排