文章目录
- 一、为什么需要LangChain
- 二、LangChain是什么？
-
- LangChain的发展时间线
- [LangChain v1.2的主要模块](#LangChain v1.2的主要模块)
- 三、LangChain家族四大支柱
-
- LangChain：智能体开发的基石
- LangGraph：复杂工作流的编排引擎
- [Deep Agent：智能体的执行框架](#Deep Agent：智能体的执行框架)
- 三者的关系
- LangSmith：可视化监控与测试平台
- 四、开发前的准备工作
-
- 安装Miniconda
-
- 使用方式
-
- [Anaconda Powershell Prompt终端](#Anaconda Powershell Prompt终端)
- 环境变量→cmd终端使用
- 基本命令
- 安装虚拟环境与Python解释器
- 下载langchain安装包
-
- [方式1：使用conda指令 （推荐）](#方式1：使用conda指令 （推荐）)
- 方式2：使用pip指令
- 安装pycharm
- 五、大模型应用场景介绍
- 参考视频
一、为什么需要LangChain
LangChain框架的定位
LangChain 作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。
核心定位三点：
- 打通大模型与外部资源：统一接口对接数据库、检索引擎、API、文件系统等；
- 封装底层复杂逻辑：抽象工具调用、记忆等能力，降低智能体开发难度；
- 支撑多智能体协作：依托 LangGraph 等生态，从单智能体拓展至多智能体协作，可构建工业
级智能体。
二、LangChain是什么？
LangChain的发展时间线
- 第1阶段：诞生（2022年10月）
2022年10月，哈佛大学的机器学习项目工程师 Harrison Chase（哈里森·蔡斯） 创建了由大语言模型
驱动的应用程序的开源框架：LangChain。其名称来源于" Language "（语言模型）和" Chain "（链式
连接）的组合。体现了其核心设计理念------链接大语言模型与其他各种计算资源和数据，构建强大的AI
应用。 - 第2阶段：探索期（2022年Q4---2023年Q1）
LangChain 初版发布，主要聚焦于PromptTemplate、LLMChain 等基础模块。其凭借前瞻性设计，在
开源社区迅速走红，Gitlub Star 数快速破万，成为早期最受关注的大模型应用框架。 - 第3阶段：体系化阶段（2023年Q2---2023年Q4）
引入 Tool、Agent、Retrieval 等概念，形成大模型+工具调用＋记忆的核心架构，支持构建完成更复杂
任务的自动化智能体。
同期推出 LangChain Hub 与 LangSmith ，初步构建了从开发、调试到部署的生态闭环。 - 第4阶段：平台化阶段（2024年一2025年上半年）
LangGraph 与 LangServe 的发布是这一阶段的标志。LangGraph 为工作流管理提供了有向图基础，
而LangServe则解决了服务化部署的难题。至此，LangChain生态完成了从开发框架到智能体平台的跃
升。 - 第5阶段：深层智能体阶段（2025年下半年至今）
正式推出 Deep Agent ，官方定位为 Agent Harness（智能体执行框架） ，在LangGraph 和
LangChain 之上运行，标志着LangChain 生态进入新阶段，让开发者可构建基于多智能体的复杂化智能
体系统。
LangChain v1.2的主要模块
- langchain-core ：官方推荐的核心API。比如 Runnable, BaseMessage等
- langchain-classic ：冗余代码或不推荐使用的经典API移到此。比如0.x中常用而1.x移除的API都在这里。
- langchain-community ：第三方集成，比如：合作伙伴包 langchain-openai，langchainanthropic等，按需安装、避免臃肿。
- langgraph ：深度整合 LangGraph 1.0，协调多个Chain，Agent，Tools完成更复杂的任务，并且还支持循环调用，是langchain图形化的增强版
三、LangChain家族四大支柱
截至2025年11月，LangChain 已从一个独立的开发框架，成长为一个覆盖智能体系统全生命周期的技术生态。该生态由四大核心支柱构成： LangChain 、 LangGraph 、 Deep Agent 与 LangSmith 。
它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层，共同构建了一个从技术验证到生产部署、从单体智能到复杂协作的项目闭环。
LangChain：智能体开发的基石
LangChain 是整个生态的核心与起点，为开发者提供了模型调用、工具与中间件集成、智能体构建等一整套基础能力。
其核心价值如下：
- 统一的模型抽象层 ：屏蔽了不同模型服务提供商（如OpenAI、Anthropic、Ollama 等）的接口差异，提供一致的调用方式。
- 高度模块化的设计 ：使用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩展。
- 丰富的集成生态 ：预置了丰富的数据源、API、中间件等，构成了强大的AI能力枢纽。
在整体架构中，LangChain 如同智能体的操作系统内核，是所有上层能力构建的基础。
LangGraph：复杂工作流的编排引擎
当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时，LangGraph应运而生。
其核心思想是将智能体内部抽象为一张有向图。
- 节点（Node） ：代表独立的功能单元或决策点。
- 边（Edge） ：定义了节点之间的流转条件与路径。
- 状态（State） ：作为一个共享上下文，在节点间传递并持久化存储任务信息。
通过这种图式结构，LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。
官方也强调"快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同"。
通俗理解：
Deep Agent：智能体的执行框架
Deep Agent 是新推出的全新组件，被定位为 Agent Harness（智能体执行框架）。它构建于LangChain 与LangGraph 之上，增加了规划能力、文件系统、子 Agent 等高级功能。旨在让开发者无须从零构建 复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体。
Deep Agent 的核心能力如下：
- 显式规划 ：自主生成、执行并动态调整多步任务计划。
- 虚拟文件系统 ：为智能体提供结构化的中间结果与知识存储。
- 子智能体 ：支持任务在多个智能体之间的分解与协作。
- 长期记忆 ：通过与 LangGraph 状态存储的结合，实现跨对话的经验积累。
- 可扩展中间件 ：允许嵌入安全审计、性能监控或自定义业务逻辑。
三者的关系
三个框架不是竞争关系，并非互斥，复杂项目完全可以同时用到这三层。
基于LLM的应用开发体系图：
从 LangChain 快速搭建，用 LangGraph 打磨生产稳定性，再用 Deep Agents 赋予 Agent 更强的自主
能力------这才是完整的 LangChain 生态玩法。
LangSmith：可视化监控与测试平台
LangSmith 是 LangChain 官方推出的 可视化监控与测试平台 ，用于跟踪、记录和分析智能体在运行过程中的完整调用链路，让智能体的内部运行过程变得透明和可评估。
LangSmith 的核心目标如下：
- 全链路追踪 ：可视化追踪模型调用、提示词输入、结果输出、工具使用等行为。
- 调试与优化 ：发现运行中智能体的异常行为与性能瓶颈。
- 评测与质量控制 ：支持人工与自动化评测，量化智能体表现。
- 团队协作 ：支持多人共享测试集与调用记录。
LangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环。
四、开发前的准备工作
安装Miniconda
下载地址：https://www.anaconda.com/download/success
傻瓜式安装，省略
使用方式
Anaconda Powershell Prompt终端
环境变量→cmd终端使用
将如下3个变量添加到path环境变量下：
sh
D:\Users\devops\miniconda3
D:\Users\devops\miniconda3\Scripts
D:\Users\devops\miniconda3\Library\bin
基本命令
sh
conda -help # 查看帮助
conda info # 查看 conda 信息
conda --version # 查看 conda 版本
conda update conda # 更新 Conda (慎用)
conda clean -all # 清理不再需要的包
conda <指令> --help # 查看某一个指令的详细帮助
conda config --show # 查看 conda 的环境配置
conda clean -p # 清理没有用, 没有安装的包
conda clean -t # 清理 tarball
conda clean --all # 清理所有包和 conda 的缓存文件安装虚拟环境与Python解释器
创建conda环境
sh
#创建一个名为langchain1.2的环境，指定Python版本是3.13.12
conda create --name langchain1.2 python=3.13.12
#查看anconda安装好的python环境
conda env list
#初始化虚拟环境 (执行完此指令，重新启动命令行窗口)
conda init
#在命令行窗口切换到某python环境
conda activate langchain1.2
#验证python版本
(langchain1.2) C:\Users\devops>python --version
退出/删除conda环境
sh
#在命令行退出当前python环境
(langchain1.2) C:\Users\devops>conda deactivate
#删除一个已有的anconda管理的python环境
conda remove --name langchain1.2 --all下载langchain安装包
方式1：使用conda指令 （推荐）
sh
# 指定频道（如 conda-forge）
conda install -c conda-forge langchain==1.2.12
# 更新包
conda update langchain
# 卸载包
conda uninstall langchain
# 查看已安装包
conda listconda 包通常来自 defaults 或 conda-forge。
-c ：是 --channel 的缩写，conda用于指定包的安装来源渠道。
conda-forge ：该源比官方默认渠道更新更快、包更全
方式2：使用pip指令
sh
# 安装指定版本
pip install langchain==1.2.12
#安装最新版（不推荐）：pip install langchain
# 使用指定源：国内镜像加速 （解决下载慢） -i：指定镜像源
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 从旧版本升级到新版本
pip install --upgrade langchain
#或者 pip install -U langchain==1.2.12
# 卸载包
pip uninstall langchain
# 查看已安装包
pip list安装pycharm
https://www.jetbrains.com/pycharm/download/other/#releases-2025
创建工程，设置Python解释器
打印LangChain版本
五、大模型应用场景介绍
RAG（检索增强生成）
流程图
Agent开发
Agent架构
一个数学公式来表示：Agent = LLM + Planning + Tools + Memory + Action
智能体核心要素被细化为以下模块：
- 大模型（LLM）作为"大脑"：提供推理、规划和知识理解能力，是AI Agent的决策中枢。
- 规划决策（Planning）：通过任务分解、反思与自省框架实现复杂任务处理。例如，利用思维链（Chain of Thought）将目标拆解为子任务，并通过反馈优化策略。
- 工具使用（Tool Use）：调用外部工具（如API、数据库）扩展能力边界。
- 记忆（Memory）：智能体像人类一样，能留存学到的知识以及交互习惯等，这样的机制能让智能体在处理重复工作时调用以前的经验，从而避免用户进行大量重复交互。
- 行动（Action）：实际执行决策的模块，涵盖软件接口操作（如自动订票）和物理交互（如机器人执行搬运）。比如：检索、推理、编程等。