LangChain 1.x 学习笔记（一）：为什么需要 LangChain？一文彻底理解 LangChain 生态

一、为什么需要 LangChain？

1. 从传统应用到 AI Agent

传统软件开发：

复制代码

用户 → 后端代码 → 数据库 → 返回结果

而大模型时代：

复制代码

用户
   ↓
LLM（GPT、DeepSeek）
   ↓
数据库 / API / 搜索引擎 / 文件

但是，大语言模型（LLM）自身存在很多局限：

无法获取实时数据
无法直接访问数据库
无法调用外部 API
无法执行复杂任务
没有长期记忆
多步骤任务能力有限

例如：

"帮我查询今天北京天气，并预订明天下午去北京的高铁。"

仅靠 GPT 是做不到的，因为它不能：

查询天气
调用12306
登录账号
支付订单

因此，我们需要一个能够把 LLM 与外部资源连接起来 的框架。

LangChain 就诞生了。

二、什么是 LangChain？

官方定位：

LangChain 是连接大语言模型（LLM）与外部资源的应用开发框架。

它可以作为：

复制代码

LLM
   ↑
LangChain
   ↓
数据库
API
工具
文件
搜索引擎
Memory

也就是说：

LangChain 并不是新的大模型。

它更像是：

AI 应用开发框架。

负责把：

Prompt
LLM
工具
数据
Memory

全部组织起来。

三、LangChain 的核心定位

LangChain 本质是：

大模型和应用之间的中间层。

它主要完成三件事情。

① 统一调用各种大模型

例如：

OpenAI
Anthropic
DeepSeek
Ollama
阿里百炼

以前每个平台 API 都不同。

LangChain 提供统一接口。

例如：

python 复制代码

model.invoke(messages)

不用关心底层是哪一家模型。

② 封装复杂逻辑

例如：

模型不能自己：

查数据库
调 API
调工具
保存记忆

LangChain 提供：

Tool
Memory
Prompt
Output Parser

让开发效率大幅提高。

③ 支持 Agent

LangChain 最大特点：

不是聊天。

而是：

构建 Agent（智能体）。

Agent 可以：

思考（Reason）
规划（Plan）
调工具（Tool）
执行（Action）

形成完整工作流。

四、LangChain 应用场景

课程中总结了六个主要应用方向。

① RAG（检索增强生成）

解决：

知识过时
大模型幻觉

流程：

复制代码

PDF
Word
Excel

↓

切分

↓

Embedding

↓

向量数据库

↓

检索

↓

LLM回答

例如：

企业知识库

客服机器人

论文问答

法律咨询

医疗问答

② Agent

Agent = LLM + Tool + Planning + Memory + Action

例如：

"帮我订机票"

Agent 会：

复制代码

分析任务

↓

查询航班

↓

比较价格

↓

调用支付

↓

返回结果

而不是只回答一句文字。

③ ChatBot

解决：

多轮聊天中的上下文记忆。

例如：

复制代码

用户：

我叫张三。

......

以后：

我叫什么？

需要 Memory 保存历史。

④ 多模态

支持：

图片
音频
视频
OCR

例如：

图片问答。

⑤ 自动化写作

结合：

Prompt Template
Output Parser

生成：

邮件
合同
报告

保证格式统一。

⑥ 数据处理

例如：

从：

PDF
Excel
Word

提取信息。

甚至：

自然语言 → SQL

五、LangChain 发展历程

第一阶段（2022）

LangChain 诞生。

作者：

Harrison Chase。

第二阶段（2023）

增加：

PromptTemplate
LLMChain

开始流行。

第三阶段（2023）

加入：

Tool
Agent
Retrieval

开始真正构建 AI Agent。

第四阶段（2024~2025）

推出：

LangGraph
LangServe

开始支持：

复杂工作流。

第五阶段（2025 至今）

推出：

Deep Agent。

进入：

多 Agent 协作时代。

六、为什么推荐 LangChain 1.x？

课程明确推荐：

新项目全部学习 LangChain 1.x。

原因：

API 稳定
官方承诺 2.0 前无破坏性更新
基于 LangGraph
Agent 成为第一公民

而不是继续学习：

复制代码

LLMChain

Chain

initialize_agent

这些旧 API。

七、LangChain 1.x 核心模块

langchain-core

官方核心 API。

包括：

Runnable
Message
BaseMessage

langchain-community

第三方生态。

例如：

OpenAI
Ollama
DeepSeek

都放这里。

langchain-classic

兼容旧版本 API。

主要用于维护老项目。

LangGraph

负责：

复杂工作流。

支持：

状态机
分支
循环
多 Agent

八、LangChain 四大生态

目前 LangChain 已经不是一个框架。

而是完整生态。

① LangChain

负责：

能力抽象。

包括：

Prompt
Model
Tool

可以理解成：

AI 的 SDK。

② LangGraph

负责：

工作流。

如果说：

LangChain 是：

有哪些能力。

那么：

LangGraph 是：

能力如何执行。

支持：

复制代码

Node

↓

Edge

↓

State

实现复杂业务流程。

③ Deep Agent

官方最新推出。

定位：

Agent Harness（智能体执行框架）。

新增：

自动规划
子 Agent
长期记忆
文件系统

适合：

复杂企业级 Agent。

④ LangSmith

负责：

调试。

主要功能：

Trace
Log
Evaluation
Monitoring

可以理解成：

AI 开发版的：

复制代码

SkyWalking

Jaeger

Zipkin

专门查看：

Agent 每一步做了什么。

九、开发前准备

课程推荐：

Python ≥ 3.10

建议：

Python 3.13。

推荐使用：

Conda。

原因：

Conda 可以管理：

Python
CUDA
C++
系统依赖

比：

venv

更适合 AI 项目。

十、RAG 是什么？

RAG：

Retrieval-Augmented Generation

中文：

检索增强生成。

流程：

复制代码

文档

↓

Loader

↓

切分

↓

Embedding

↓

向量数据库

↓

相似度检索

↓

Prompt

↓

LLM

↓

回答

解决：

幻觉
知识过时

常用于：

企业知识库
客服
文档问答

Reranker（重排序）

当检索得到很多 Chunk 时：

复制代码

Top50

↓

Reranker

↓

Top5

↓

LLM

优势：

提高召回准确率。

缺点：

增加响应时间。

适合：

专业知识库。

十一、什么是 Agent？

课程给出一个经典公式：

text 复制代码

Agent = LLM + Planning + Tools + Memory + Action

组成：

① LLM

负责：

思考。

② Planning

负责：

任务规划。

例如：

复制代码

订机票

↓

查天气

↓

订酒店

↓

规划路线

③ Tool

调用：

API
MCP
数据库

④ Memory

包括：

短期记忆：

保存当前聊天。

长期记忆：

保存用户长期信息。

例如：

用户喜好
历史任务

⑤ Action

真正执行：

例如：

写代码
调接口
查询数据库
自动办公

十二、大模型开发四种方式

第一种：Prompt

最简单。

复制代码

用户

↓

Prompt

↓

LLM

第二种：Agent + Function Calling

增加：

工具调用。

例如：

天气查询。

第三种：RAG

增加：

知识库。

适合：

企业 AI。

第四种：Fine-tuning

微调模型。

特点：

成本最高
周期最长

只有：

Prompt + Agent + RAG

都解决不了时，

才考虑微调。

十三、学习建议

最后给出了一个非常值得认同的观点：

不要试图学完 LangChain 所有 API。

原因：

API 非常多，而且更新很快。

正确学习方式：

理解整体架构
掌握核心模块
知道每个模块解决什么问题
用到时再查官方文档

把 LangChain 当作一个工具箱，而不是一本需要全部背下来的教材。

本章总结

LangChain 并不是大模型，而是连接 LLM、工具、数据和工作流 的 AI 应用开发框架。

目前整个 LangChain 生态已经形成了四大核心组件：

组件	作用
LangChain	提供模型、Prompt、Tool 等基础能力
LangGraph	负责复杂工作流与状态编排
Deep Agent	构建具有规划、多 Agent 协作能力的智能体
LangSmith	负责调试、监控与评测

对于初学者而言，建议优先掌握 LangChain + LangGraph ，理解 RAG 与 Agent 的基本原理，再逐步学习更复杂的智能体开发。