LangChain学习笔记（一）：基础入门与核心概念详解

LangChain 是目前构建大语言模型（LLM）应用的重要开发框架之一。本文从零开始介绍 LangChain 的诞生背景、解决的问题、核心组件以及学习路线，帮助初学者建立完整认知。

官方文档目前将 LangChain 定位为一个用于构建 LLM 应用和 Agent 的开源框架，提供模型集成、工具调用以及预构建 Agent 架构等能力。(Docs by LangChain)

---

一、为什么需要 LangChain？

1.1 大语言模型应用的发展

随着 ChatGPT、Claude、Gemini 等大语言模型的发展，越来越多开发者开始尝试将 LLM 集成到实际业务中。

最简单的方式：

用户输入
   |
   ↓
调用大模型API
   |
   ↓
返回答案

例如：

response = openai.chat.completions.create(
    model="gpt-4",
    messages=[
        {
            "role":"user",
            "content":"什么是人工智能？"
        }
    ]
)

这种方式可以完成简单问答。

但是，当我们真正开发一个 AI 应用时，会遇到更多复杂需求。

例如：

• 企业知识库问答

• AI 客服机器人

• 自动生成报告

• 数据分析助手

• AI Agent 自动执行任务

一个企业知识库机器人可能需要：

用户问题

    ↓

查询企业文档

    ↓

找到相关知识

    ↓

将知识发送给LLM

    ↓

生成最终答案

如果全部自己开发，需要处理：

• Prompt 管理

• 上下文维护

• 数据检索

• 模型调用

• 工具连接

• 多步骤流程控制

这就是 LangChain 出现的原因。

---

二、什么是 LangChain？

简单理解：

LangChain 是一个帮助开发者快速构建大模型应用的开发框架。

如果把传统软件开发进行类比：

Java Web开发
       |
       ↓
Spring Boot

大模型应用开发
       |
       ↓
LangChain

LangChain 并不是一个新的大语言模型。

它不会替代：

• GPT

• Claude

• Gemini

• Llama

它的作用是：

连接模型、数据、工具和业务流程。

官方介绍中，LangChain 提供了模型和工具的集成能力，并提供构建 Agent 的基础架构。(LangChain 参考文档)

---

三、LangChain解决了什么问题？

3.1 统一调用不同模型

现在的大模型非常多：

例如：

模型	提供商
GPT系列	OpenAI
Claude	Anthropic
Gemini	Google
Llama	Meta

如果直接调用，每个模型接口不同。

LangChain 提供统一接口：

应用程序

    ↓

LangChain

    ↓

不同LLM模型

开发者可以更容易切换模型。

---

3.2 管理Prompt提示词

大模型效果很大程度依赖 Prompt。

例如：

普通输入：

写一篇介绍Python的文章

优化后：

你是一名Python技术专家。

请使用初学者能够理解的方式，
介绍Python的发展历史、特点以及应用场景。

实际项目中 Prompt 数量可能非常多。

如果全部写死：

message = """
你是一名专家...
"""

后期维护困难。

LangChain 提供 Prompt Template：

例如：

你是一名{role}

请介绍{topic}

输入：

role = Python专家

topic = Python装饰器

生成：

你是一名Python专家

请介绍Python装饰器

---

四、LangChain整体架构

学习 LangChain，需要理解几个核心模块。

整体结构如下：

              用户输入

                  |
                  ↓

          Prompt Template

                  |
                  ↓

              Model

                  |
                  ↓

              Chain

                  |
                  ↓

              Agent

                  |
                  ↓

              Tools

主要组成：

组件	作用
Model	调用大语言模型
Prompt	管理提示词
Chain	组合多个处理步骤
Retriever	查询外部知识
Agent	自动规划任务
Tool	调用外部工具

(Docs by LangChain)

---

五、LangChain核心组件介绍

---

5.1 Model（模型）

Model 是 LangChain 最基础的组件。

作用：

调用大语言模型。

流程：

用户输入

 ↓

Model

 ↓

模型回答

例如：

用户：

解释一下什么是机器学习

模型返回：

机器学习是一种让计算机从数据中学习规律的方法。

LangChain 对不同模型进行了统一封装。

---

5.2 Prompt Template（提示词模板）

Prompt Template 用于管理动态提示词。

例如：

模板：

请介绍一下{technology}

输入：

{
 "technology":"LangChain"
}

生成：

请介绍一下LangChain

优势：

• 提高代码复用

• 方便维护

• 方便调整提示词策略

---

5.3 Chain（链）

Chain 是 LangChain 名字中的核心概念。

简单理解：

将多个步骤连接起来。

例如：

一个文章生成流程：

用户输入主题

↓

生成大纲

↓

生成正文

↓

优化内容

↓

输出文章

这就是一个 Chain。

类似：

步骤A

↓

步骤B

↓

步骤C

每一步输出作为下一步输入。

---

5.4 Agent（智能代理）

Agent 是当前大模型应用的重要方向。

传统 Chain：

固定流程

A → B → C

Agent：

用户任务

↓

模型分析

↓

决定下一步行动

↓

调用工具

↓

返回结果

例如：

用户：

帮我查询今天北京天气，并整理成邮件

Agent可能：

第一步：

需要天气数据

调用天气工具。

第二步：

需要生成邮件

调用文本生成能力。

Agent 的核心思想：

让模型决定下一步做什么。

---

5.5 Tool（工具）

大模型本身存在限制：

例如：

• 不知道实时天气

• 不知道数据库数据

• 无法直接访问业务系统

Tool 可以扩展模型能力。

例如：

LLM

+

搜索工具

+

数据库

+

代码执行工具

形成更强大的 AI 应用。

---

六、为什么现在需要学习 LangChain？

目前 AI 应用开发已经从：

第一阶段：

调用GPT接口

发展到：

第二阶段：

Prompt工程

再到：

第三阶段：

RAG知识库

第四阶段：

Agent智能应用

LangChain 正好覆盖这些开发流程。

---

七、LangChain学习路线

推荐学习路线：

第一阶段

了解LLM基础

↓

第二阶段

学习LangChain核心组件

(Model、Prompt、Chain)

↓

第三阶段

学习RAG知识库

↓

第四阶段

学习Agent开发

↓

第五阶段

项目实战

后续系列文章计划：

LangChain学习笔记（二）
环境搭建与第一个LangChain程序

LangChain学习笔记（三）
Prompt Template详解

LangChain学习笔记（四）
LCEL与Chain链式调用

LangChain学习笔记（五）
RAG知识库问答系统

LangChain学习笔记（六）
Agent智能代理开发

---

八、总结

本文介绍了 LangChain 入门需要掌握的基础知识：

1. 为什么需要 LangChain

2. LangChain是什么

3. LangChain解决的问题

4. LangChain整体架构

5. Model、Prompt、Chain、Agent、Tool核心组件

简单来说：

LangChain 就像是连接大模型、数据和工具的应用开发框架，让开发者能够更加方便地构建真正可用的 AI 应用。

下一篇将开始搭建开发环境，并完成第一个 LangChain 程序。