[AI]ai应用框架LangChain

LangChain 是 AI 应用开发领域最具影响力的开源框架之一，由 Harrison Chase 于 2022 年 10 月创立，现已成为构建大模型应用的事实标准基础设施。

---

一、背景：为什么需要 LangChain？

2022 年底，ChatGPT 爆火后，开发者很快发现：直接调用 OpenAI API 只能做简单问答，要构建真正有用的应用（如客服机器人、数据分析助手），需要解决一系列工程难题：

痛点	说明
模型切换成本	今天用 GPT-4，明天要换 Claude 或本地模型，代码要重写
提示词管理	Prompt 散落在代码各处，难以版本控制、A/B 测试
上下文记忆	模型无状态，多轮对话需要自己维护历史记录
工具调用	让模型查数据库、调 API、执行代码，需要复杂的格式化与解析
数据接入	企业私有文档如何喂给模型？需要分块、嵌入、检索流水线
输出结构化	模型输出是自由文本，如何可靠地解析为 JSON、SQL？

LangChain 的定位 ：提供一套标准化抽象层，让开发者像搭积木一样组装大模型应用，而不必关心底层模型差异。

---

二、基本框架与原理

LangChain 的核心架构围绕 6 大抽象组件 设计：

┌─────────────────────────────────────────┐
│              LangChain 架构              │
├─────────────────────────────────────────┤
│  Model I/O  │  统一模型接口（OpenAI/Claude/本地）  │
├─────────────────────────────────────────┤
│   Prompts   │  模板管理、少样本示例、消息格式化    │
├─────────────────────────────────────────┤
│   Chains    │  组件流水线：A → B → C 的顺序/并行组合 │
├─────────────────────────────────────────┤
│   Agents    │  动态决策：模型自主决定调用哪些工具    │
├─────────────────────────────────────────┤
│   Memory    │  短期/长期记忆管理（缓冲区、向量检索） │
├─────────────────────────────────────────┤
│  Retrieval  │  RAG 流水线：加载 → 分块 → 嵌入 → 检索 │
├─────────────────────────────────────────┤
│  Callbacks  │  日志、监控、流式输出、中间步骤追踪    │
└─────────────────────────────────────────┘

核心原理详解

1. Model I/O（统一模型接口）

LangChain 不直接调用 openai.ChatCompletion，而是提供 BaseChatModel 抽象：

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
from langchain_ollama import ChatOllama

# 三者接口完全一致，可无缝替换
llm = ChatOpenAI(model="gpt-4o")
llm = ChatAnthropic(model="claude-3-5-sonnet")
llm = ChatOllama(model="llama3.1")  # 本地模型

原理 ：所有模型封装为统一的 invoke() / stream() / batch() 接口，上层组件无需关心底层是谁。

2. Chains（流水线编排）

Chain 是 LangChain 最核心的概念------将多个组件按顺序或并行组合：

用户输入 → PromptTemplate → LLM → OutputParser → 结构化输出

原理 ：每个组件都是 Runnable 对象，支持管道操作符 | 串联，形成有向无环图（DAG）。

3. Agents（动态工具调用）

传统 Chain 是固定流程 ，Agent 是动态流程------模型根据用户输入自主决定下一步：

用户问："今天北京天气怎么样？"

Agent 思考：
  1. 需要实时天气数据 → 调用 weather_api 工具
  2. 获得结果 → 调用 LLM 生成自然语言回答
  3. 输出给用户

原理 ：ReAct（Reason + Act）循环，模型输出包含 Thought（思考）和 Action（工具调用），框架解析后执行工具，再将结果喂回模型。

4. Retrieval（RAG 流水线）

将私有文档接入大模型的标准路径：

PDF/Word/网页 → 文本提取 → 分块(Chunk) → 向量化(Embedding) → 存入向量库
                                    ↓
用户提问 → 向量化 → 相似度检索(Top-K) → 注入Prompt上下文 → LLM生成回答

5. Memory（记忆管理）

解决模型无状态问题：

类型	原理	适用
Buffer Memory	保留最近 N 轮对话	简单聊天
Summary Memory	LLM 自动摘要历史	长对话
Vector Memory	向量检索相关历史	知识型对话
Entity Memory	提取并跟踪对话中的实体（人名/公司）	客户关系

---

三、举例说明（用法）

示例 1：基础 Chain（结构化数据提取）

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# 1. 定义输出结构
class Person(BaseModel):
    name: str = Field(description="人物姓名")
    age: int = Field(description="年龄")
    occupation: str = Field(description="职业")

# 2. 构建 Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "从用户描述中提取人物信息，以JSON格式返回。"),
    ("human", "{description}")
])

# 3. 组装 Chain：Prompt | LLM | Parser
llm = ChatOpenAI(model="gpt-4o", temperature=0)
parser = JsonOutputParser(pydantic_object=Person)

chain = prompt | llm | parser

# 4. 执行
result = chain.invoke({
    "description": "张三今年32岁，在北京一家AI公司担任算法工程师。"
})
print(result)
# {'name': '张三', 'age': 32, 'occupation': '算法工程师'}

示例 2：Agent + 工具（实时计算 + 搜索）

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.tools import tool

# 1. 定义工具
@tool
def multiply(a: float, b: float) -> float:
    """计算两个数的乘积"""
    return a * b

@tool
def search_company(query: str) -> str:
    """模拟企业信息查询"""
    return f"{query} 是一家成立于2020年的AI芯片公司，员工500人。"

tools = [multiply, search_company]

# 2. 创建 Agent
llm = ChatOpenAI(model="gpt-4o")
agent = create_tool_calling_agent(llm, tools, prompt_template)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 3. 执行
result = agent_executor.invoke({
    "input": "帮我查一下寒武纪公司的信息，然后计算 15.5 乘以 23 的结果。"
})

执行过程（ReAct 循环）：

Thought: 用户有两个请求：查公司信息、做乘法。我需要先调用 search_company，再调用 multiply。
Action: search_company("寒武纪")
Observation: 寒武纪是一家成立于2020年的AI芯片公司...
Thought: 已获得公司信息，现在需要计算 15.5 * 23。
Action: multiply(15.5, 23)
Observation: 356.5
Thought: 已获得所有信息，可以生成最终回答。
Final Answer: 寒武纪是一家成立于2020年的AI芯片公司，员工500人。15.5乘以23的结果是356.5。

示例 3：RAG 知识库问答

from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain.chains import RetrievalQA

# 1. 加载文档
loader = PyPDFLoader("company_handbook.pdf")
docs = loader.load()

# 2. 分块
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)

# 3. 嵌入并存储
vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())

# 4. 构建 RAG Chain
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o"),
    retriever=retriever,
    return_source_documents=True  # 返回引用的原文片段
)

# 5. 提问
result = qa_chain.invoke({"query": "公司年假有多少天？"})
print(result["result"])           # 模型生成的回答
print(result["source_documents"]) # 引用的PDF原文出处

---

四、使用场景说明

场景	LangChain 解决方式	典型应用
企业知识库问答（RAG）	Retrieval + Memory + LLM	内部文档助手、客服机器人、法律/医疗咨询
AI Agent 工作流	Agent + Tools + Memory	自动写代码+测试+提交PR、数据分析+可视化+报告生成
结构化数据提取	OutputParser + Chain	从非结构化文本提取JSON/数据库记录、发票识别、简历解析
多模型路由	Router Chain	简单问题走本地小模型，复杂问题走 GPT-4，降低成本
对话记忆管理	Memory 组件	长期客户关系维护、心理咨询对话、游戏 NPC 记忆
提示词工程管理	PromptTemplate + Hub	团队共享 Prompt 模板、A/B 测试不同提示词效果、版本控制
工具集成	Tool + Agent	查天气、调数据库、发邮件、操作 Excel、控制浏览器

---

五、LangChain 生态演进

阶段	时间	里程碑
LangChain 0.1	2022.10	框架诞生，Chain 为核心
LangChain 0.2	2024	引入 LCEL（LangChain Expression Language），Runnable 接口统一
LangGraph	2024+	官方推出的图状态机扩展，支持循环、条件分支、持久化，替代复杂 Chain
LangServe	2024	将 Chain 部署为 REST API 服务
LangSmith	持续	可观测性平台，追踪、评估、调试 LLM 应用

2026 年现状 ：LangChain 已从"一个 Python 包"发展为完整的 LLM 应用开发生态 ，但核心定位始终是**"抽象层"------它不训练模型，不替代模型，而是让开发者更高效地调用和编排模型能力**。

---

一句话总结

LangChain 是大模型应用的"操作系统"：它不提供算力（模型），也不提供应用（产品），而是提供一套标准化接口和编排工具，让开发者像搭积木一样把模型、数据、工具、记忆组装成可运行的 AI 应用。