Agent教程15：认识LangChain，Agent框架的王(上)

Agent的意思是代理。

AI Agent框架的诞生，本质上是LLM从"聪明聊天机器人"进化到"可靠自主代理"的过程。

在其发展过程中，有一个框架是无论如何也绕不开的，那就是 LangChain。

一、LangChain的发展历史

1.1 出道即巅峰

2022年10月，有人在Github开源了一个只有800行代码的python包，名叫 langchain。

其核心理念，就是把LLM应用拆成可组合的"Chain"（链）------ Prompt + LLM + Memory + Retriever + Tools。

这些在当前看来习以为常的概念，在当时是开拓性的标准化抽象。

一夜爆火，GitHub stars从几百冲到上万。

当时，它可谓是LLM界的React，目标也相似，快速搭建AI应用。

1.2 发展与问题暴露

2023年，LangChain主要添加了添加Agents（ReAct）、RAG、向量数据库集成等能力。并且推出了LCEL链式写法（如 prompt | llm | parser）。

但同时，一个可能摧毁其根基的问题被暴露出来：

越来越多的人发现，LangChain的设计理念并不符合Agent发展的趋势。

因为真实的Agent开发过程中，人们发现，AI-Agent必须需要以下特性：

循环（思考→行动→观察→再思考）
动态分支
长期状态
用户随时干预

但LCEL是DAG（有向无环图），天生不支持循环和复杂控制流。

很多开发者开始反馈自己的痛点：LangChain只适合做小型项目，在大型企业级项目中有点捉襟见肘了。

1.3 LangGraph 诞生

"2023年夏天，我们收到大量负面反馈......原LangChain无法满足生产级Agent的需求。我们需要一种能处理循环、持久化、人机协作的底层框架。"

LangChain的作者Harrison Chase亲口如此说。

随机，LangGraph正式发布。

核心创新：把Agent执行过程建模成有向图（支持环）。

其概念和设计理念如下：

Node：一个函数（LLM调用、工具、判断）。
Edge：跳转规则（普通边 + 条件边）。
State：共享状态（情绪、记忆、亲密度等），支持Reducer自动合并。
Checkpoint：自动持久化（内存/SQLite/Postgres），支持崩溃恢复 + 时间旅行调试。
Interrupt：原生Human-in-the-loop（用户中途纠正、审批、回滚）。

LangGraph解决了LangChain"线性链"无法处理的本质矛盾------Agent天生是循环 + 状态机，而非线性流水线。

1.4 成熟与生态分层

随着 LangGraph 被需多大公司用于生产，这也标志着它的逐渐稳定与成熟。

LangChain逐步把新Agent API底层切换到LangGraph。

2025年10月，LangGraph 1.0 + LangChain 1.0 同时发布（无breaking changes，稳定性承诺）。

其分层架构如下：

LangChain：高层、快速原型（create_agent() 一键出代理）。
LangGraph：底层、生产引擎（自定义图、多代理、持久化）。

2026现状：LangChain生态已成为事实标准。

每月下载9000万+，GitHub 10万+ stars。
其他框架（CrewAI、AutoGen/Microsoft Agent Framework）仍有市场，但生产级复杂Agent基本都用LangGraph。

二、目前的LangChain能使用LangGraph的全部能力吗？

结论： 99% 的情况下可以！甚至可以说是"开箱即用全部主流生产能力"。

官方曾总结如下：

"LangChain 运行在 LangGraph 的持久化运行时之上------这为代理提供了内置的持久化、回溯、检查点机制，以及人机在环（Human-in-the-loop）支持。"
"create_agent 是基于 LangGraph 构建的，你会自动获得完整的 LangGraph 运行时能力。"

所以，在目前除非有极为极端和特殊的情况，否则你并不需要去摒弃LangChain去单独使用LangGraph。

但结合使用是必须的。

三、极速上手

让我们结合官方的demo，再配合我们的高性价比deepseek模型，跑一个最简单的demo 出来。

首先，安装必要依赖：

bash 复制代码

pip install langchain langchain_openai

这里分别安装了 langchain本体，以及对openai标准的大模型支持。（前面讲过，deepseek是符合openai标准的）

撰写如下代码：

python 复制代码

import os
from langchain.agents import create_agent
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 加载环境变量
load_dotenv()

def get_weather(city: str) -> str:
    """获取给定城市的天气情况"""
    return f"{city}未来10天很热，温度大概45°C"

llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("DEEP_SEEK_API_KEY"),
    base_url=os.getenv("DEEP_SEEK_API_URL"),
    temperature=0.7
)

agent = create_agent(
    model=llm,
    tools=[get_weather],
    system_prompt="你是一个经验丰富的天气预测员",
)

# Run the agent
response = agent.invoke(
    {"messages": [{"role": "user", "content": "杭州的天气怎么样？"}]}
)

print(response["messages"][-1].content)

以上代码也已经上传到本专栏专属开源demo：github.com/zhangshichu...，可以直接去执行：

bash 复制代码

python .\lesson_14\01_langchain_start.py

可以查看效果： (注：以上天气纯属为了表达function calling效果的杜撰，请勿当真)

可以看到，这个demo我们只用了非常少的代码，就实现了 reAct 思维范式，完成了 Function Calling，并通过和LLM的对话，输出了最后的结果。

比手写代码不知道方便到哪里去了。

但是要熟练使用，仍然有很多细节和概念需要上手了解。

以上图为例，我们先介绍几个最核心的点：

3.1 默认是 reAct Agent范式

python 复制代码

from langchain.agents import create_agent

你引入 create_agent 方法后并没有指定AI的思维范式，但实际体验中他会一边思考一边调用工具，事实上，它默认采用了 reAct 范式，并且不可修改。

如果你有其他的范式需求，如 plan-and-execute 这样的范式，那可能得通过指定 plan_prompt 属性来调整Agent的默认行为。

3.2 不用写Tools Schema

结合第五课《春哥的Agent通关秘籍05：工具调用 Function Calling【知识与思路篇】》的内容，可以知道，在原生的OpenAI 框架下，注册Tools是需要传入一个 tools schema的，至少需要表达以下几个含义：

我有哪些工具，它们叫什么
它们的作用分别是什么
它们接受哪些入参，分别是什么含义

但是，在上面demo 里，我们完全没有写这个JSON Schema。

其实真实情况是，LangChain 通过解析上面这个函数，利用python的反射能力，解析出了以上我们需要的Schema。

因此，在使用 LangChain 定义Tool时，函数的说明注释不要省略，这是为反射提供说明的必要内容。

除此之外，LangChain 也提供了 @tool 注解，可以更定制化的优化Tool 来满足复杂情况。

四、查看底层的 LangGraph 图形

前面说过，LangChain 最新版本的底层时 LangGraph。

而LangGraph的基本概念是一个有向图。

因此，官方和民间提供了各种各样的工具，可以让你查看图和节点。

其中最轻量简单的莫过于 grandalf，但功能也相对较弱。

bash 复制代码

pip install grandalf

然后执行以下代码：

python 复制代码

agent.get_graph().print_ascii()

你就能看到：

没错，这正是底层LangGraph的有向图的节点及连线。

如果想要看到更多细节，可能就得借助社区一些更加强大和重的工具了。

五、小结

本章，我们初步了解的 LangChain 的历史地位，发展历程，以及它和 LangGraph 之间的关系，并且结合一个 demo 初步窥见了它的便捷写法。

接下来，我们还需要更加深入地了解它的用法。

敬请期待！