LangChain概述与环境准备：从框架定位到第一个应用

又抓住你了2026-07-16 13:19

LangChain 概述与环境准备：从框架定位到第一个应用

大语言模型（Large Language Model，LLM）提供了强大的文本理解、生成与推理能力，但一个可用的 LLM 应用通常不止包含一次模型调用。随着需求扩展，开发者还需要处理消息历史、提示词模板、工具调用、结构化输出、检索增强生成（RAG）、流式响应、异常重试以及运行过程追踪等问题。

LangChain 的价值正在于此：它不是一个新的大模型，而是一套面向 LLM 应用开发的开源框架。它通过标准化接口和可组合组件，帮助开发者把模型、数据、工具与业务流程组织成完整应用。

本文基于 LangChain 1.x 的模块划分与 Python 工具链展开。LangChain 更新较快，具体类名和导入路径应以项目锁定的版本及官方文档为准。

一、为什么需要 LangChain

直接调用模型 API 完全可行，而且对于一次性问答或简单原型，通常已经足够。问题出现在应用逐渐复杂之后。例如，一个企业知识库助手可能同时需要：

  • 保存多轮对话上下文，并控制上下文窗口与 Token 消耗；
  • 加载、切分并索引私有文档，通过检索获得相关片段；
  • 调用搜索、数据库或业务 API 等外部工具；
  • 将模型输出约束为满足业务接口要求的结构化数据；
  • 记录每一步调用，以便调试延迟、费用和错误。

如果只使用底层模型 SDK，这些能力需要开发者自行设计和维护。LangChain 则提供了较为统一的抽象，使常见能力可以独立使用，也可以组合成完整流程。

下面是两种调用方式的简化对比。

python 复制代码 
# 直接使用 OpenAI SDK
from openai import OpenAI

client = OpenAI()
response = client.chat.completions.create(
    model="gpt-4.1",
    messages=[{"role": "user", "content": "你好"}],
)
print(response.choices[0].message.content)
python 复制代码 
# 使用 LangChain 的 OpenAI 集成
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4.1")
response = model.invoke("你好")
print(response.content)

第二段代码的关键不只是更短，而是 ChatOpenAI 遵循 LangChain 的模型接口，可以继续接入消息对象、提示词模板、输出解析器、工具和 Agent。需要强调的是，"统一接口"并不意味着不同模型提供商的能力完全等价；模型名称、鉴权方式、工具调用格式和特有参数仍可能需要适配。

二、LangChain 是什么

LangChain 由 Harrison Chase 于 2022 年发起，是一个用于构建 LLM 应用的开源框架。它的核心思想可以概括为三点：

  1. 标准化：用相对统一的接口访问聊天模型、嵌入模型、工具和检索器。
  2. 组件化：将提示词、模型、解析器、检索器等能力拆分为可独立复用的组件。
  3. 可组合：通过链或 Agent 将组件组织为面向业务目标的执行流程。

LangChain 常见的应用方向包括：

场景 关键能力 典型应用
RAG 文档加载、文本切分、向量存储与检索 企业知识库、文档问答
工具调用 将函数或 API 暴露给模型 天气查询、计算器、数据库操作
Agent 根据任务动态选择步骤和工具 研究助手、自动化工作流
结构化输出 使用 Schema 约束和验证返回结果 信息抽取、接口数据生成
多轮交互 管理会话状态和历史消息 客服、个人助理

LangChain 的目标不是替代模型提供商 SDK，也不是替代业务代码。它更适合承担模型能力与业务系统之间的应用编排层。

三、LangChain、LangGraph 与 Deep Agents

LangChain 生态中经常同时出现 LangChain、LangGraph 和 Deep Agents。三者并非简单的替代关系，而是处于不同抽象层级。

组件 定位 适合的任务 控制程度
LangGraph Agent 运行时与有状态工作流编排 分支、循环、检查点、人工审批、长时任务 高
LangChain 模型与 Agent 应用框架 模型调用、RAG、工具链、自定义 Agent 中等至高
Deep Agents 构建复杂自主 Agent 的高层套件 规划、子 Agent、文件系统与上下文管理 相对较低

LangChain 的 Agent 能力建立在 LangGraph 运行时之上；Deep Agents 又复用了 LangChain 和 LangGraph 的能力。选型时可以按控制需求判断：

  • 需要快速组合模型、提示词、工具或 RAG 流程时，优先使用 LangChain；
  • 需要显式定义状态、节点、条件边、暂停恢复或人工审批时，使用 LangGraph；
  • 需要较完整的自主任务执行能力，并愿意接受更高层抽象时，再考虑 Deep Agents。

抽象层越高，开发成本通常越低，但开发者能够直接控制的执行细节也会减少。生产系统的选型应同时评估可观测性、Token 成本、故障恢复和流程确定性。

四、LangChain 的核心架构

为了建立全局认识，可以把 LangChain 的主要模块理解为三层。

1. 基础层：定义如何与模型通信

  • Models ：包括聊天模型、传统文本 LLM 和 Embedding 模型。常用调用方式有 invoke、batch、stream 及其异步版本。
  • Messages ：使用 SystemMessage、HumanMessage、AIMessage、ToolMessage 等对象表示不同角色和用途的消息。
  • Prompts：通过提示词模板注入变量，避免在业务代码中反复拼接字符串。
  • Streaming：让模型以数据块形式逐步返回结果，降低用户感知到的首字延迟。
  • Middleware：在 Agent 或模型调用前后插入鉴权、重试、日志、上下文处理等横切逻辑。

2. 能力层：扩展模型能够完成的工作

  • Tools：把 Python 函数或外部 API 描述为模型可调用的工具。工具的名称、说明、参数 Schema 和异常处理会直接影响调用可靠性。
  • Structured Output：借助 Pydantic 等 Schema 定义期望的数据结构，并对模型输出进行解析与验证。
  • Short-term Memory：在 Agent 状态中维护当前线程的消息和上下文。跨会话、跨用户的长期记忆通常还需要外部存储与检索机制。

3. 应用层：将组件组织为业务流程

  • Chains ：将多个组件串联为确定性的处理流水线。LangChain Expression Language（LCEL）常用管道符 | 表达组合关系。
  • Retrieval / RAG ：典型链路为 DocumentLoader → TextSplitter → Embeddings → VectorStore → Retriever，先检索外部知识，再将相关上下文交给模型生成答案。
  • Agents：让模型在运行时决定调用哪些工具以及何时结束。Agent 适合步骤无法完全预先确定的任务，但也会带来额外的延迟、成本和不确定性。

以"查询公司年假政策"为例，一条基础 RAG 流程可以表示为：用户问题进入提示词模板，检索器从向量库中取回相关制度片段，模型结合问题与片段生成答案，最后由结构化输出模块整理结果。只有当系统需要自主判断是否检索或调用其他工具时，才有必要进一步引入 Agent。

五、使用 uv 准备 Python 环境

Python 项目通常需要解决两个问题：一是隔离不同项目的解释器和依赖，二是安装并锁定第三方包。venv + pip、Conda 和 uv 都能覆盖其中一部分或全部需求。

  • venv + pip 是 Python 生态中的基础组合，通用且简单；
  • Conda 还能管理 CUDA、C/C++ 库等非 Python 依赖，适合科学计算和深度学习环境；
  • uv 集成了 Python 版本、虚拟环境、依赖解析和锁文件管理，速度快，适合以 PyPI 依赖为主的 LangChain 项目。

1. 安装 uv

Windows PowerShell：

powershell 复制代码 
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
uv --version

macOS 或 Linux：

bash 复制代码 
curl -LsSf https://astral.sh/uv/install.sh | sh
uv --version

2. 初始化项目

bash 复制代码 
uv init langchain-demo
cd langchain-demo
uv python pin 3.12
uv add langchain langchain-openai python-dotenv

如果使用其他模型或基础设施，应按需安装对应集成包，例如：

bash 复制代码 
uv add langchain-anthropic      # Anthropic
uv add langchain-google-genai   # Google Gemini
uv add langchain-deepseek       # DeepSeek
uv add langchain-ollama         # Ollama 本地模型
uv add langchain-chroma         # Chroma 向量数据库

LangChain 采用核心包与集成包分离的结构。langchain 提供框架能力，langchain-core 提供基础抽象，模型提供商与向量数据库通常位于独立包中。项目应遵循"按需安装"的原则，避免无意义地扩大依赖面。

3. 理解项目文件

初始化后，常见目录结构如下：

text 复制代码 
langchain-demo/
├── .venv/          # 本地虚拟环境，不提交到 Git
├── .python-version # 项目使用的 Python 版本
├── pyproject.toml  # 项目元数据与直接依赖约束
├── uv.lock         # 完整依赖图及精确版本
└── main.py         # 程序入口

pyproject.toml 描述项目"需要什么"，uv.lock 记录解析后"实际使用什么"。二者都应提交到版本控制；.venv 只属于本机环境，应加入 .gitignore。团队成员获取代码后执行以下命令即可同步环境：

bash 复制代码 
uv sync

添加依赖时优先使用 uv add，因为它会同时维护 pyproject.toml 和 uv.lock。uv pip install 更接近传统 pip install，不会以同样方式维护项目的直接依赖声明。

六、安全配置模型凭据

API Key 不应硬编码在源代码中，也不应提交到 Git。可以在项目根目录创建 .env：

dotenv 复制代码 
OPENAI_API_KEY=your-api-key
OPENAI_BASE_URL=https://api.openai.com/v1

同时在 .gitignore 中加入：

gitignore 复制代码 
.env
.venv/

代码通过 python-dotenv 加载配置：

python 复制代码 
import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

model = ChatOpenAI(
    model="gpt-4.1",
    api_key=os.environ["OPENAI_API_KEY"],
    base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1"),
)

这里安装的包名是 python-dotenv，导入路径却是 dotenv。不要误装名为 dotenv 的其他包。如果已经装错，可以执行：

bash 复制代码 
uv remove dotenv
uv add python-dotenv

生产环境还应使用部署平台的 Secret 管理能力，并对密钥实施最小权限、定期轮换和泄露吊销，而不是依赖本地 .env 文件。

七、第一个 LangChain 程序

创建 main.py：

python 复制代码 
import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

model = ChatOpenAI(
    model="gpt-4.1",
    api_key=os.environ["OPENAI_API_KEY"],
    base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1"),
)

response = model.invoke("你好，请用一句话介绍 Python。")
print(response.content)

运行程序：

bash 复制代码 
uv run python main.py

也可以先验证安装是否成功：

bash 复制代码 
uv run python -c "import langchain; print(langchain.__version__)"

如果调用失败，可以按以下顺序排查：

  1. 确认 uv run 使用的是当前项目环境；
  2. 检查 .env 是否位于项目根目录，以及变量名是否正确；
  3. 检查模型名称是否对当前账户和服务端点可用；
  4. 检查 base_url 是否与所用服务商兼容；
  5. 根据锁文件和官方 API 参考确认类名、参数名及导入路径。

八、合理的学习路径

LangChain 的模块很多，但不必一开始就学习 Agent。更稳妥的顺序是：

text 复制代码 
Models 与 Messages
        ↓
Prompts 与 Structured Output
        ↓
LCEL 与 Chains
        ↓
Tools 与会话状态
        ↓
       RAG
        ↓
      Agents
        ↓
LangGraph 与生产部署

这条路径先建立确定性的模型调用与数据处理能力，再逐步引入检索、工具和自主决策。对于可以用普通代码或固定链解决的问题，不必为了"智能化"而使用 Agent；只有当执行步骤确实需要模型在运行时动态判断时，Agent 才能体现价值。

结语

LangChain 解决的核心问题，不是"如何发送一次模型请求"，而是"如何把模型稳定地接入一个完整应用"。它以标准接口连接不同模型，以组件化方式组织提示词、检索、工具和结构化输出，并在任务复杂度上升时通过 LangGraph 提供更细粒度的状态与流程控制。

完成环境准备后，最值得优先掌握的是模型接口、消息、提示词和结构化输出。理解这些基础抽象之后，再学习 LCEL、RAG、Agent 与 LangGraph，会更容易判断每一层工具真正解决的问题，也能避免为简单需求引入不必要的复杂度。

参考资料

相关推荐
海上彼尚3 小时前
Nodejs也能写Agent - 17.LangGraph篇 - Checkpointer 与 Memory
前端·javascript·人工智能·langchain·node.js
丘丘用户思思澪4 小时前
LangChain Agent 完全指南
人工智能·langchain
BreezeJiang5 小时前
我从一个最小 LangChain Demo 里，重新理清了 RAG 的主链路
langchain
phltxy5 小时前
LangChain从模型调用到应用编排
人工智能·深度学习·语言模型·langchain
meilindehuzi_a14 小时前
从零理解并实现 RAG：用 LangChain.js 构建语义检索问答系统
开发语言·javascript·langchain
中微极客18 小时前
解锁LLM开发全栈能力：Python + LangChain + RAG 工程实战指南
人工智能·python·langchain
先吃饱再说20 小时前
从零构建 RAG：用 LangChain 实现检索增强生成
langchain·llm
Darling噜啦啦20 小时前
告别 AI 幻觉！LangChain RAG 完全实战：Document + MemoryVectorStore 打造轻量级语义知识库
langchain
呆瑜nuage21 小时前
LangChain 聊天模型 —— 结构化输出详解与实战
langchain·大模型应用开发·结构化输出·agent基础
热门推荐
012026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片02GitHub 镜像站点03AI科技热点日报 | 2026年07月01日04幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南05AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07Codex 下载安装指南：Windows 和 macOS 官方版下载08国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）09GPT-5.5 对比 GPT-5.6 Sol、Terra、Luna：官方性能数据与选型分析102026 年 AI 大模型 & AI 编程工具实战全总结