LangChain 完整全解析

LangChain 完整全解析（2026 v1.x 最新架构）

一、基础定位与起源

1. 定义

LangChain 是开源、模块化的 LLM 应用编排开发框架，2022 年底推出，核心解决原生大模型三大痛点：

1. 无长期记忆，多轮对话丢失上下文；
2. 无法读取私有文档、实时外部数据（知识库、数据库、联网搜索）；
3. 不能自主调用工具、拆分复杂任务，只能被动一问一答。

通俗比喻：

• LLM = 只有大脑，不会查资料、不会记对话、不会操作软件；
• LangChain = 一套标准化 "乐高积木"，给 LLM 装上记忆、知识库、工具、任务流程、自主决策，快速搭建 RAG、对话机器人、AI Agent、自动化工作流。

2. 核心设计思想：模块化、统一抽象、可插拔

所有组件遵循统一 Runnable 接口，支持管道符 | 串联、流式输出、批量调用； 任意模型、向量库、工具可以无缝替换，无厂商锁定。

3. 新版包分层架构（v1.x 拆分式，不再单一大包）

表格

包	作用
langchain-core	底层核心抽象：消息、提示词、Runnable、输出解析、基础接口，无第三方集成，轻量
langchain	高层业务逻辑：Chain、Retriever、基础 Agent、通用流程
langchain-openai/langchain-qwen/langchain-anthropic	官方专用模型集成包，独立维护
langchain-community	社区第三方集成：Chroma、Pinecone、各类 Loader、工具、小众模型
langgraph	配套图编排引擎，复杂循环 Agent、多分支流程、持久化状态
langsmith	配套调试观测平台，追踪每一步调用、耗时、Token、日志

二、六大核心基础组件（官方标准体系）

1. Models 模型层（大脑底座）

统一封装三类模型，抹平各家 API 差异，切换模型仅改一行代码：

1. ChatModel 对话模型 （主流） GPT-4o、Claude、Gemini Flash/Mini/Nano、通义千问、Llama、Qwen 等，支持多轮消息结构 HumanMessage/AIMessage/SystemMessage。
2. LLM 文本补全模型（老式单文本输入） 多用于简单生成、代码补全。
3. Embedding 嵌入模型 将文本转为向量，用于语义检索，对接 OpenAI Embedding、本地 BGE、M3E 等，配合向量数据库（Chroma/Pinecone）。

2. Prompts 提示词工程层

解决硬编码 Prompt 难以维护、无法复用的问题：

• PromptTemplate：静态模板，支持变量插值 {context} {question}；
• ChatPromptTemplate：多角色对话模板（系统提示 + 用户消息 + 历史对话）；
• FewShotPromptTemplate：自动注入示例样本，提升输出格式稳定性；
• 支持分段、长度截断、动态过滤无效上下文。

3. Output Parsers 输出解析器

大模型返回自由文本，解析器把文本转为结构化数据（JSON、列表、对象、枚举）：

• JsonOutputParser：强制输出标准 JSON；
• PydanticOutputParser：绑定 Python 数据模型，自动校验字段；
• CommaSeparatedListOutputParser：提取数组； 价值：方便后端直接读取字段，避免文本解析混乱。

4. Memory 记忆层（对应你之前学的 short term /long term memory）

区分会话短期记忆 （上下文窗口内）、外置长期记忆（向量库持久化，不受 context window 限制）：

1. 短期对话记忆（当前对话窗口）
   • ConversationBufferMemory：完整存储全部聊天记录；
   • ConversationSummaryMemory：自动总结历史，减少 Token 占用，防止窗口溢出；
   • ConversationTokenBufferMemory：按 Token 长度裁剪历史。
2. 长期持久记忆（跨会话）
   • VectorStoreRetrieverMemory：对话摘要存入 Chroma/Pinecone，下次聊天检索历史记忆，突破上下文窗口上限。

5. Documents & Retrievers 检索层（RAG 核心）

完整私有知识库流水线：

1. Document Loaders：文件读取器 加载 PDF、Word、Markdown、网页、CSV、数据库、飞书 / 企业微信文档；
2. Text Splitter：文本分割器 按字符、Token、语义递归分割，避免超长片段塞满上下文窗口；
3. VectorStore 向量库对接 原生集成 Chroma（本地轻量）、Pinecone（云端托管）、FAISS、Weaviate 等；
4. Retriever 检索器 接收用户问题，向量相似度召回 Top-K 相关文档，注入 Prompt 给 LLM； 进阶：上下文压缩检索、多路查询检索、父文档检索，提升召回精度。

6. Tools & Agents 工具与智能体（自主执行能力）

Tools 工具

让 LLM 调用外部能力，内置 + 自定义均可：

• 内置：联网搜索、Python 代码解释器、计算器、文件读写；
• 自定义：企业数据库查询、支付 API、邮件发送、爬虫、第三方接口； 每个 Tool 包含名称、功能描述、入参，供 LLM 判断何时调用。

Agent 智能体（LangChain 高阶能力）

普通 Chain 是固定步骤流水线 ；Agent 是动态自主决策： LLM 根据问题自己判断：要不要查资料、调用哪个工具、调用几次、循环直到完成任务，对应你之前区分的 LLM vs Agent。 主流 Agent 类型：

1. ReAct Agent：思考 + 行动循环，最通用；
2. OpenAI Tool Calling Agent：依托模型原生函数调用，稳定；
3. Plan-and-Solve：先拆解任务规划，再分步执行； 复杂多分支、带循环的 Agent 现在推荐搭配 LangGraph 实现状态持久、人工介入、多轮循环。

三、Chain 链：基础流程编排单元

Chain = 把多个组件按固定顺序串成一条流水线，新版推荐 LCEL（LangChain Expression Language）管道写法 |，替代老式类继承：

经典常用 Chain

1. RAG 检索问答链 文件加载 → 切片 → 向量化入库 → 用户提问检索文档 → 拼提示词 → LLM 生成答案；
2. ConversationChain 对话链 Prompt + LLM + Memory，实现带记忆聊天机器人；
3. SequentialChain 顺序链 多步骤串行执行（摘要 → 翻译 → 生成报表）；
4. TransformChain 数据转换链 清洗、过滤、格式化文本；

简单 LCEL 示例逻辑：

plaintext

rag_chain = retriever | prompt | llm | parser

用户输入自动沿着管道依次执行。

四、LangGraph：复杂 Agent 图编排（2025 + 主推）

LangChain 原生 Chain 是线性单向流程，无法处理：循环、分支、条件判断、中途人工介入、状态保存。 LangGraph 是配套扩展，用有向图管理 Agent 状态：

• 节点：LLM、工具调用、校验；
• 边：条件跳转（检索不到资料就重新搜索，出错自动重试）；
• 持久化：对话状态存数据库，中断后可恢复； 现在生产级 Agent（多工具、多步骤、自动纠错）全部基于 LangGraph。

五、完整典型工作流（RAG 知识库问答）

1. 离线预处理 PDF Loader 读取文档 → RecursiveCharacterTextSplitter 切片 → Embedding 向量化 → 存入 Chroma/Pinecone 向量库；
2. 用户线上提问 用户问题 → Retriever 向量检索相似文档 → 检索结果 + 用户问题注入 PromptTemplate → 传入 ChatModel → OutputParser 结构化输出回答；
3. 带记忆增强 叠加 VectorStoreRetrieverMemory，自动读取历史对话，回答兼顾长期上下文。

六、LangChain 配套生态工具

1. LangSmith 调试、监控、观测平台：追踪每一步检索、LLM 调用、Token 消耗、延迟、失败日志，可视化完整链路，解决 Agent 黑盒问题；
2. LangServe 一键把 Chain/Agent 封装成 REST API，快速提供后端服务，对接前端。

七、优缺点总结

优势

1. 极致生态集成：兼容几乎所有大模型、向量库、文件格式、第三方工具，社区方案极多；
2. 统一抽象，组件插拔：换本地 Chroma / 云端 Pinecone、切换 GPT / 千问几乎不用改动业务代码；
3. 一站式覆盖 RAG、对话、Agent、自动化，从原型到生产完整链路；
4. LCEL 管道语法简洁易读，支持流式、异步、批量；
5. 配套 LangSmith 解决复杂 Agent 调试难题。

劣势

1. 学习曲线陡峭，概念多（Chain/Memory/Retriever/Agent/LangGraph）；
2. 简单纯文本生成场景（仅调用 LLM 写文案）直接调用 API 更轻量，引入框架有冗余；
3. 多层组件嵌套带来轻微调用延迟，超高并发毫秒级场景需要深度优化；
4. 版本迭代快，旧 API 频繁废弃，网上老旧教程容易踩坑；
5. 复杂大规模分布式生产需要额外做缓存、分片、限流封装。

八、适用 / 不适用场景

适合使用 LangChain

1. 私有知识库问答（企业文档、本地资料 RAG）；
2. 带多轮长期记忆的智能客服、AI 聊天助手；
3. 需要联网、数据库、代码执行的自主 Agent；
4. 多步骤自动化工作流（数据分析、报表自动生成、批量文本处理）；
5. 快速原型验证，快速搭建可演示 AI 应用。

不建议使用 LangChain

1. 仅简单单次文本生成（翻译、短文创作，无知识库无工具）；
2. 极致低延迟、超高吞吐纯推理服务；
3. 极小嵌入式端侧离线模型（Nano 级轻量 SLM，资源有限）。

九、关联你之前学过概念串联总结

1. Context Window / Short Term Memory → LangChain Memory 组件实现会话上下文；
2. Long Term Memory → VectorStoreRetrieverMemory + Chroma/Pinecone 向量库；
3. Nano/Mini/Flash LLM → Models 层统一接入，无缝替换；
4. Chroma / Pinecone → Documents+Retrievers 向量存储底层；
5. LLM vs Agent：单纯 LLM 调用是基础单元；Agent 是 LangChain 高阶动态决策模块，依靠 Tools+LangGraph 实现自主任务执行。

一句话极简概括

LangChain 是一套标准化组件库，给裸大模型补上记忆、私有知识库、外部工具与任务编排能力，是目前构建 RAG 和 LLM Agent 最主流的开发框架。