LangChain基础知识概述1

LangChain V1.2

• 1、v1.2主要模块
• 2、Langchain家族四大支柱
• • [2.1 Langchin：智能体开发的基石](#2.1 Langchin：智能体开发的基石)
  • [2.2 LangGraph：复杂工作流的编排引擎](#2.2 LangGraph：复杂工作流的编排引擎)
  • [2.3 Deep Agent : 智能体的执行框架](#2.3 Deep Agent : 智能体的执行框架)
  • [3.4 LangSmith：可视化监控与测试平台](#3.4 LangSmith：可视化监控与测试平台)
• 4、开发前的准备工作
• • 4.1、前置知识
  • • 1、Python基础语法
    • 2、大模型语言基础知识了解
  • 4.2、相关环境安装
  • • [1、 环境管理方案](#1、 环境管理方案)
    • 2、PyCharm开发环境
• 5、大模型应用场景介绍
• • 5.1、RAG开发
  • • 1）背景
    • 2）举例
    • 3）何为RAG？
  • 5.2、Agent开发
  • [5.3 大模型应用开发的4个场景](#5.3 大模型应用开发的4个场景)

本文章是学习尚硅谷的视频，并且做了些自认为重点的部分进行总结

1、v1.2主要模块

• langchain-core：官方推荐的核心API，比如Runnable，BaseMessage等等
• langchain-classic：冗余代码跟不常用的经典API移动此处
  - langchain-commuity：第三方集成，比如合作伙伴包langchain-openai，langchain-anthropic等等，需要什么安装什么''
• langgraph：深度整合LangGraph1.0，协调多个Chain，Agent，Tools完成更复杂的任务，并且支持循环调用，是langchain图形化的增强版

github地址：https://github.com/langchain-a

API文档查询地址：https://reference.langchain.com/

文档地址：https://docs.langchain.com/

2、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。

2.1 Langchin：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。

结论：如果你需要构建简单的智能体应用，无需复杂的编排需求，那就选择LangChain

2.2 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
• 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"。

LangChain = 能力抽象层（LLM / Tool / Message 标准化），负责"有什么能力"

LangGraph = 执行与编排层（状态机 / 工作流 / 多Agent系统），负责"怎么跑"

2.3 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。

3.4 LangSmith：可视化监控与测试平台

当智能体系统逐渐复杂时，单靠日志与打印输出（print）调试已无法满足调试与质量管理需求。

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官网：https://www.langchain.com/langsmith

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。

4、开发前的准备工作

4.1、前置知识

1、Python基础语法

• 变量、流程控制、函数与参数机制、类与对象、装饰器
• 常用的容器（列表、元组、集合、字典）、JSON处理、异常处理
• 模块导入、包管理（推荐用 pip 或 conda ） 、线程与协程

LangChain 生态支持包括 Python 和 JavaScript 语言实现。其中，Python 版本仍是功

能最完整、更新最及时、社区最活跃的核心实现。

2、大模型语言基础知识了解

• 了解什么是 LLM、Token、Prompt、Embedding
• OpenAI API 或其他模型提供商，如 Anthropic、阿里云百炼、DeepSeek等
• 通过浏览器或app使用过大模型（比如：豆包、千问、DeepSeek等）

4.2、相关环境安装

1、 环境管理方案

相较于 全局环境（系统环境） ，各个 虚拟环境 都有自己独立的一套：Python 解释器、pip 命令、第三方依赖包，不和其它项目产生干扰。

方案1-使用conda：适合"Python + 非 Python 依赖"的复杂环境

conda 不只是 Python 包管理工具，它还可以管理 Python 解释器、Python 包，以及很多非 Python 依赖，比如： CUDA、编译器、系统库、数据库驱动、科学计算底层库 等非 Python 依赖。

因此在数据科学、深度学习、AI 工程、科学计算等场景中，conda 更稳妥、优先推荐。

注意：conda 环境中可以使用 pip，但建议先用 conda 装底层依赖，再用 pip 补充 Python 包，不要随意反复交替使用。

方案2-使用uv：适合"纯 Python 项目"的现代包管理

uv 是一个现代 Python 包管理工具，主要 管理 Python 生态依赖 ，不能像 conda 那样管理 CUDA、系统级数据库驱动、编译器这类通用非 Python 依赖。

如果项目主要是普通 Python 开发，这类项目通常可以优先考虑 uv。

方案3-使用venv：Python 自带的轻量级虚拟环境工具

venv 是 Python 官方自带的虚拟环境工具，不需要额外安装。

三者对比：

工具	管理 Python 解释器	管理 Python 包	管理非 Python 依赖	适合场景
conda	☑ 可以	☑ 可以	☑ 可以	AI、深度学习、科学计算、复杂底层依赖（C/C++、CUDA）
uv	☑ 可以	☑ 可以	✗ 不可以	纯 Python 项目、Web、Agent、RAG 应用层
venv	不支持原生安装，基于已有解释器	☑ 可以	✗ 不可以	简单项目、教学演示、轻量隔离

建议：优先 conda install，conda没有，再用pip install

二者区别：

conda依赖检查严格，pip相对宽松；

conda 管环境 + 依赖 + 稳定性，pip 只管Python 包；

conda：支持Python 包 + 非 Python 包；pip：只支持 Python 包

conda list

2、PyCharm开发环境

PyCharm作为专业的Python IDE，具有强大的代码编辑、调试和版本控制功能

创建项目的时候选择conda环境

5、大模型应用场景介绍

5.1、RAG开发

1）背景

大模型的知识冻结 ：：随着 LLM 规模扩大，训练成本与周期相应增加，模型 无法实时学习 到最新的信息或动态变化。导致 LLM 难以应对诸如"请推荐现在的热门影片"等时间敏感的问题

大模型幻觉：涉及到大模型从未在训练过程中学习过的信息时，大模型无法给出准确的答复，转而开始臆想和编造答案

2）举例

LLM在考试的时候面对陌生的领域，答复能力有限，然后就准备放飞自我了，而此时RAG给了一些提示和思路，让LLM懂了开始往这个提示的方向做，最终考试的正确率从60%到90%！

3）何为RAG？

Retrieval-Augmented Generation（检索增强生成）

图1：

图2：

检索-增强-生成过程：检索可以理解为第10步，增强理解为第13步（这里的提示词包含检索到的数据），生成理解为第15步。

这些过程中的难点：1、文件解析 2、文件切割 3、知识检索 4、知识重排序

1、文件解析：如果是pdf，内部包含文件、图片、表格，图片上还有文字，需要处理。

2、文件切割：没有固定的格式

3、在 RAG 应用中，随着文档数量增加，召回准确率会下降，引入reranker（重排器）可对初步

召回的较多 chunk（如 top 20 或 top 50）进行精排，提高召回准确率，防止LLM 处理无关信息，减少时间和成本。

此外，与基于基本矢量搜索的 RAG 相比，reranker增强型 RAG 的成本更高，但与仅依靠LLM 生成答案相比，它的成本低些。

Reranker的使用场景

• 适合：追求 回答高精度 和 高相关性 的场景中特别适合使用 Reranker，例如专业知识库或者客服系统等应用。
• 不适合：引入reranker会增加召回时间，增加检索延迟。服务对 响应时间要求高 时，使用reranker可能不合适。

5.2、Agent开发

充分利用 LLM 的推理决策能力，通过增加规划、记忆和工具调用的能力，构造一个能够独立思考、逐步完成给定目标的 Agent（智能体）

Agent = LLM + Planning + Tools + Memory + Action

智能体核心要素被细化为以下模块：

1、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。

2、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。

3、工具使用（Tool Use） ：调用外部工具（如API、数据库）扩展能力边界。

4、记忆（Memory）

• 短期记忆：存储单次对话周期的上下文信息，属于临时信息存储机制。受限于模型的上下文窗口长度。
• 长期记忆：可以 横跨多个会话或时间周期 ，可存储并调用核心知识，非即时任务

比如，关于用户的偏好，过去执行过的指令等。

长期记忆，可以通过 模型参数微调（固化知识） 、 知识图谱（结构化语义网络） 或 向量数

据库（相似性检索） 方式实现。

5、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。

智能体会形成完整的计划流程。例如先读取以前工作的经验和记忆，之后规划子目标并使用相应工具去处理问题，最后输出给用户并完成反思。

5.3 大模型应用开发的4个场景

场景1：纯Prompt

• Prompt是操作大模型的唯一接口
• 当人看：你说一句，ta回一句
  
  场景2：Agent + Function Calling
• Agent ：AI主动提要求
• Function Calling：需要对接外部系统时，AI要求执行某个函数
• 当人看：你问ta「我明天去杭州出差，要带伞吗？」，ta 让你先看天气预报，你看了告诉ta，ta再告诉你要不要带伞
  
  场景3：RAG (Retrieval-Augmented Generation)
  RAG：需要补充领域知识时使用
• Embeddings：把文字转换为更易于相似度计算编码。这种编码叫向量
• 向量数据库：把向量存起来，方便查找
• 向量搜索：根据输入向量，找到最相似的向量

举例：考试答题时，到书上找相关内容，再结合题目组成答案

场景4：Fine-tuning(精调/微调)

举例：努力学习考试内容，长期记住，活学活用。

特点：成本最高；在前面的方式解决不了问题的情况下，再使用。

如何选择相关技术

面对一个需求，如何开始，如何选择技术方案？下面是个常用思路：