1、概述
LangChain是开源大模型应用开发框架，核心作用是把大语言模型（LLM）和外部数据、工具、业务流程连接起来，快速构建智能问答、自动推理、私有知识库等应用。
安装：pip install langchain
从清华源安装：pip install langchain -i https://pypi.tuna.tsinghua.edu.cn/simple
2、Langchain是由多个组件组成的
1、Models（模型集成）
LangChain 给各种大模型做了一层统一包装，不管用哪个模型，代码写法都一模一样。
2、Prompts（提示词管理）
包括提示管理，提示优化，提示序列化
提示词管理
把提示词抽成可复用模板
支持变量注入（如 {question}、{context}）
统一管理系统提示、用户提示、历史对话结构
提示词优化与结构化
内置少样本模板、思维链（CoT）模板
自动格式化对话历史、适配不同模型的格式（ChatML、 Alpaca 等）
帮助写出更稳定、效果更好的提示
提示序列化与加载
支持把提示存为文件：JSON / YAML
可以从文件加载、版本化、共享
方便工程化、配置化，不写死在代码里
3、Memory
记忆，用来保存和模型交互的上下文
4、Indexes
索引，用于结构化文档，方便和模型交互
Index = 文档处理 + 向量化 + 存储 + 检索的整套模块
专门用来让 AI 能 "查你的私有数据"。
用户问题 → Index 检索相关文档 → Prompts 组装上下文 → LLM 生成回答
5、Chains
把多个模块串在一起，形成一个固定流程，就叫 Chain。
一步接一步执行，顺序确定、逻辑固定。
6、Agents
代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止。
让模型自主决定下一步采取什么行动，执行动作，观察结果，循环往复直到任务完成。
例子：
问："帮我查今天天气，再写个出行建议"
Chain模式：查天气 → 写建议（chain模式按固定步骤）
Agent模式：先想 "我需要查天气"→ 调用工具 → 拿到结果 → 再想 "可以写建议了"→ 完成(自主模式，边走边决策)
3、基础案例
1、将 Prompt 模板和 LLM 组合成可执行链
PromptTemplate：做一个带占位符的问题模版，方便重复使用，不用每次重复写完整的提示词问题。
Tongyi = 纯文本模型，不支持工具调用
python
from langchain_core.prompts import PromptTemplate # 提示词模版
from langchain_community.llms import Tongyi # 导入通义千问Tongyi模型
import dashscope
import os
# 从环境变量获取 dashscope 的 API Key
api_key = os.getenv('DASHSCOPE_API_KEY')
# 加载 Tongyi 模型
llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=api_key) # 使用通义千问qwen-turbo模型
# 创建Prompt Template
prompt = PromptTemplate(
input_variables=["product"], # 声明:我有一个变量叫product
template="为生产{product}的公司起3个简洁、好听的公司名。",
)
# 新推荐用法：将 prompt 和 llm 组合成一个"可运行序列"
chain = prompt | llm
# 使用 invoke 方法传入输入
result1 = chain.invoke({"product": "手工香薰蜡烛"})
print("香薰蜡烛公司名:")
print(result1)
result2 = chain.invoke({"product": "品牌LOGO设计"})
print("LOGO设计公司名:")
print(result2)2、Agent+工具(langchain自带的)
langchain中集成了一些常用的工具，也可以自定义工具。
示例代码：
构建了一个通义千问 AI 智能体，集成数学计算 + 百科查询两个 LangChain 自带工具，AI 能自动判断并调用工具，精准回答数学题和百科知识。
python
import os
from langchain_community.agent_toolkits.load_tools import load_tools
from langchain_community.chat_models import ChatTongyi
from langchain.agents import create_agent
from langchain_core.prompts import ChatPromptTemplate
# 从环境变量获取 dashscope 的 API Key
api_key = os.getenv('DASHSCOPE_API_KEY')
# 加载模型 (使用 ChatModel 以支持 tool calling)
# ChatTongyi = AI大脑(会思考、决定用什么工具)
llm = ChatTongyi(model_name="qwen-turbo", dashscope_api_key=api_key)
# 加载llm-math(计算)、wikipedia(百科)工具
tools = load_tools(["llm-math", "wikipedia"], llm=llm)
# LangChain 1.x 新写法
agent = create_agent(llm, tools)
# 运行 agent
result = agent.invoke({"messages": [("user", "3 的 5 次方")]})
print(result["messages"][-1].content)3、Agent + 自定义工具
除了预置工具，还可以用 @tool 装饰器创建自定义工具，把普通函数变成AI能用的工具
Agent自动判断什么时候用，用哪个工具
示例代码：实现了 AI 智能体 + 自定义加减乘工具，让 AI 能自动调用你写的函数完成计算任务。
python
import os
from langchain_community.chat_models import ChatTongyi
from langchain.agents import create_agent
from langchain.tools import tool #自定义工具核心装饰器
# 配置大模型
api_key = os.getenv('DASHSCOPE_API_KEY')
llm = ChatTongyi(model_name="qwen-turbo", dashscope_api_key=api_key)
# ====================== 自定义工具 1：加法 ======================
@tool
def add(a: int, b: int) -> int:
"""做加法计算 a + b"""
return a + b
# ====================== 自定义工具 2：乘法 ======================
@tool
def multiply(a: int, b: int) -> int:
"""做乘法计算 a * b"""
return a * b
# 把自定义工具放进列表
tools = [add, multiply]
# 创建 Agent
agent = create_agent(llm, tools)
# 运行
result = agent.invoke({"messages": [("user", "3 加 5 等于几？再乘以 2 等于几？")]})
print(result["messages"][-1].content)4、带记忆的对话链
相当于创建了一个带记忆的对话链，然后用这个链去invoke
示例代码中:InMemoryChatMessageHistory代表内存级别的存储，重启程序，记忆全部消失
python
import os
from langchain_community.chat_models import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
import dashscope
# 从环境变量获取 dashscope 的 API Key
api_key = os.getenv('DASHSCOPE_API_KEY')
# 加载模型
llm = ChatTongyi(model_name="qwen-turbo", dashscope_api_key=api_key)
# 创建带历史记录的 prompt, 定义带记忆的提示词
prompt = ChatPromptTemplate.from_messages([
("system", "You are a helpful assistant."), # 系统提示：告诉AI你是谁
MessagesPlaceholder(variable_name="history"), # 记忆存放的地方
("human", "{input}") # 用户说的话
])
# 创建 chain，构建基础链
chain = prompt | llm
# 存储会话历史
store = {}
def get_session_history(session_id: str):
if session_id not in store:
store[session_id] = InMemoryChatMessageHistory()
return store[session_id]
# 创建带记忆的对话链
conversation = RunnableWithMessageHistory(
chain,
get_session_history,
input_messages_key="input",
history_messages_key="history"
)
# 配置会话ID(记忆隔离用)
config = {"configurable": {"session_id": "default"}}
# 第一轮对话
output = conversation.invoke({"input": "Hi there!"}, config=config)
print(output.content)
# 第二轮对话 (会记住上一轮)
output = conversation.invoke({"input": "I'm doing well! Just having a conversation with an AI."}, config=config)
print(output.content)5、搭建本地知识智能客服示例
原理：给 LLM 配备一堆工具 → 交给 Agent 管理 → Agent 自己判断什么时候用、用哪个工具
python
import os
import time
import textwrap
from langchain_community.chat_models import ChatTongyi
from langchain_core.tools import tool
from langchain.agents import create_agent
# ----------------------
# 打字机逐字输出效果
# ----------------------
def print_typing(text):
for line in textwrap.wrap(text, width=55):
for char in line:
print(char, end="", flush=True)
time.sleep(0.06)
print()
print("-" * 60)
# ----------------------
# 1. 加载模型
# ----------------------
api_key = os.getenv("DASHSCOPE_API_KEY")
llm = ChatTongyi(model_name="qwen-turbo", dashscope_api_key=api_key)
# ----------------------
# 2. 自定义工具 1：查手机价格
# ----------------------
@tool
def get_phone_price(phone_name: str) -> str:
"""用于查询手机价格。输入手机型号，例如：iPhone 15、Mate 70、小米14"""
price_list = {
"iPhone 15": "5999元起",
"Mate 70": "4299元起",
"小米14": "3999元起",
"Galaxy S24": "5499元起"
}
return price_list.get(phone_name, "暂时没有这款手机的价格")
# ----------------------
# 3. 自定义工具 2：查店铺营业时间
# ----------------------
@tool
def get_store_hours(question: str) -> str:
"""用于查询店铺营业时间。输入用户的问题即可"""
info = "我们的营业时间：周一至周五 9:00-21:00，周末 10:00-22:00"
return info
# ----------------------
# 4. 创建 Agent
# ----------------------
tools = [get_phone_price, get_store_hours]
agent = create_agent(llm, tools)
# ----------------------
# 5. 主程序：循环对话
# ----------------------
if __name__ == "__main__":
print("欢迎来到智能客服！输入 '退出' 结束对话\n")
while True:
user_msg = input("请输入问题：")
if user_msg in ["退出", "exit", "quit"]:
print("再见！")
break
# AI 回答
result = agent.invoke({"messages": [("user", user_msg)]})
answer = result["messages"][-1].content # -1取最后一条消息，AI的最终答案
# 打字机输出
print_typing(answer)6、LangChain LCEL多工具串行与并行执行
1、基于 LCEL（LangChain Expression Language） 构建工具链
2、自定义 3 大类实用工具：
a、文本分析（字数、字符数、情感判断）
b、数据格式转换（CSV ↔ JSON 互转）
c、文本处理（统计行数、查找文本、替换文本）
3、使用 RunnableLambda 将普通函数封装为 LCEL 标准链
4、实现 3 种工具执行模式：
a、单个工具调用
b、串行链式执行（流水线）
c、并行执行（多任务同时处理）
5、纯手动编排流程，不依赖 Agent 自动决策
python
from langchain_core.runnables import RunnableLambda, RunnableMap, RunnablePassthrough
import json
import os
# ==============================
# 工具1：文本分析工具
# ==============================
class TextAnalyzer:
"""文本分析工具，用于分析文本内容"""
def __init__(self):
self.name = "文本分析"
self.desc = "分析文本长度、字符数、情感倾向"
def analyze(self, text: str) -> str:
word_num = len(text.split())
char_num = len(text)
positive_keywords = ["好", "优秀", "喜欢", "满意", "棒", "顺利"]
negative_keywords = ["差", "坏", "糟糕", "讨厌", "失败", "不满"]
pos_score = sum(1 for w in positive_keywords if w in text)
neg_score = sum(1 for w in negative_keywords if w in text)
if pos_score > neg_score:
sentiment = "积极"
elif neg_score > pos_score:
sentiment = "消极"
else:
sentiment = "中性"
return (
f"文本分析完成\n"
f"词语数量：{word_num}\n"
f"字符总数：{char_num}\n"
f"情感判断：{sentiment}"
)
# ==============================
# 工具2：数据格式转换工具
# ==============================
class DataConverter:
"""数据转换工具，用于在不同格式之间转换数据"""
def __init__(self):
self.name = "数据转换"
self.desc = "支持 CSV 与 JSON 互相转换"
def convert(self, data_str, input_fmt, output_fmt):
try:
if input_fmt.lower() == "csv" and output_fmt.lower() == "json":
lines = data_str.strip().splitlines()
if len(lines) < 2:
return "数据格式错误"
headers = lines[0].split(",")
result = []
for line in lines[1:]:
values = line.split(",")
item = dict(zip(headers, values))
result.append(item)
return json.dumps(result, ensure_ascii=False, indent=2)
elif input_fmt.lower() == "json" and output_fmt.lower() == "csv":
data = json.loads(data_str)
if not isinstance(data, list):
return "仅支持数组格式的JSON"
headers = list(data[0].keys())
csv = ",".join(headers) + "\n"
for item in data:
row = [str(item.get(h, "")) for h in headers]
csv += ",".join(row) + "\n"
return csv
else:
return "不支持该格式转换"
except:
return "转换失败，请检查数据格式"
# ==============================
# 工具3：文本处理工具
# ==============================
class TextProcessor:
"""文本处理工具，用于处理文本内容"""
def __init__(self):
self.name = "文本处理"
self.description = "处理文本内容，如查找、替换、统计等"
def process(self, op, content, **kwargs):
if op == "line_count":
return f"总行数：{len(content.splitlines())}"
elif op == "search":
keyword = kwargs.get("keyword", "")
if not keyword:
return "请输入要查找的内容"
lines = content.splitlines()
matched = [f"第{i+1}行：{line}" for i, line in enumerate(lines) if keyword in line]
if matched:
return f"找到 {len(matched)} 处匹配\n" + "\n".join(matched)
else:
return f"未找到关键词：{keyword}"
elif op == "replace":
old = kwargs.get("old_str", "")
new = kwargs.get("new_str", "")
new_content = content.replace(old, new)
count = content.count(old)
return f"替换完成，共替换 {count} 处\n新内容：\n{new_content}"
else:
return "不支持的操作"
# ==============================
# 实例化工具
# ==============================
analyzer = TextAnalyzer()
converter = DataConverter()
processor = TextProcessor()
# ==============================
# 使用 LCEL 封装为可运行链
# ==============================
tool_analyze = RunnableLambda(lambda x: analyzer.analyze(x["text"]))
tool_convert = RunnableLambda(lambda x: converter.convert(x["data"], x["input_fmt"], x["output_fmt"]))
tool_linecount = RunnableLambda(lambda x: processor.process("line_count", x["content"]))
tool_search = RunnableLambda(lambda x: processor.process("search", x["content"], keyword=x.get("keyword")))
tool_replace = RunnableLambda(lambda x: processor.process("replace", x["content"], old_str=x.get("old"), new_str=x.get("new")))
# 工具集合
tool_collection = {
"文本分析": tool_analyze,
"格式转换": tool_convert,
"统计行数": tool_linecount,
"文本查找": tool_search,
"文本替换": tool_replace,
}
# ==============================
# 调用单个工具
# ==============================
def run_single_tool(tool_name, params):
if tool_name not in tool_collection:
return "无效工具"
return tool_collection[tool_name].invoke(params)
# ==============================
# 链式执行：先分析，再统计行数
# ==============================
def chain_analyze_and_count(text):
chain = (
RunnablePassthrough.assign(
analysis=lambda x: tool_analyze.invoke({"text": x["text"]})
)
| RunnableLambda(lambda x: {
"分析结果": x["analysis"],
"行数统计": tool_linecount.invoke({"content": x["text"]})
})
)
return chain.invoke({"text": text})
# ==============================
# 并行执行：同时分析 + 统计行数
# ==============================
def parallel_run(text):
parallel_chain = RunnableMap({
"文本分析": RunnableLambda(lambda x: tool_analyze.invoke({"text": x["text"]})),
"行数统计": RunnableLambda(lambda x: tool_linecount.invoke({"content": x["text"]}))
})
return parallel_chain.invoke({"text": text})
# ==============================
# 测试示例
# ==============================
if __name__ == "__main__":
print("===== 示例1：文本分析 =====")
print(run_single_tool("文本分析", {"text": "这个产品真的很棒，我非常喜欢！"}))
print("\n===== 示例2：CSV 转 JSON =====")
csv_data = "name,age,city\n小明,25,北京\n小红,23,上海"
print(run_single_tool("格式转换", {"data": csv_data, "input_fmt": "csv", "output_fmt": "json"}))
print("\n===== 示例3：统计行数 =====")
print(run_single_tool("统计行数", {"content": "第一行\n第二行\n第三行"}))
print("\n===== 示例4：链式执行 =====")
res = chain_analyze_and_count("今天天气真好，适合出行！\n心情非常愉快。")
print(res["分析结果"])
print(res["行数统计"])
print("\n===== 示例5：并行执行 =====")
res2 = parallel_run("学习AI非常有趣！\n每天都有新收获。")
print(res2["文本分析"])
print(res2["行数统计"])3、AI Agent 框架对比
| 工具 | 核心定位 | 架构特点 | 适用场景 |
|---|---|---|---|
| LangChain | 开源 LLM 应用开发框架 | 基于链（Chain）的线性 / 分支工作流，支持 Agent 模式 | 快速构建 RAG、对话系统、工具调用等线性任务 |
| LangGraph | LangChain 的扩展，专注于复杂工作流 | 基于图（Graph）的循环和条件逻辑，支持多 Agent 协作 | 需要循环、动态分支或状态管理的复杂任务（如自适应 RAG、多 Agent 系统） |
| Qwen-Agent | 通义千问的 AI Agent 框架 | 基于阿里云大模型，支持多模态交互与工具调用 | 开源，集成多种工具，MCP 调用 |
| Coze | 字节跳动的无代码 AI Bot 平台 | 可视化拖拽界面，内置知识库、多模态插件 | 快速部署社交平台机器人、轻量级工作流 |
| Dify | 开源 LLM 应用开发平台 | API 优先，支持 Prompt 工程与灵活编排 | 开发者定制化 LLM 应用，需深度集成或私有化部署 |