LangChain 概述 - 技术栈

1.为什么需要 Langchain？

1.1 从传统应用到智能体时代

PC 时代是网页，移动时代是App ，AI 时代是智能应用 / 智能体 Agent ，而 LangChain 就是用来开发 AI 智能应用的工具链

1.2 单一大语言模型的局限性

直接调用一个大模型，它很聪明，但有三个天生的短板：

知识受限于训练数据： 大模型的知识截止于训练数据的时间点，无法获取当下最新数据。比如：你问它昨天的新闻、公司最新的财报，它不知道 ------ 因为它被关在训练那一刻的 "时间胶囊" 里。
无法直接与外部系统交互： 无法主动查询数据库，调用API，读取数据库，访问互联网和外部应用，只能输出文字。像一个被关在玻璃罩里的聪明人 ------ 看得见，摸不着。
不具备状态保持能力： 不具备上下文记忆的能力

LangChain 存在的意义，就是：给这个 "聪明但受限" 的大模型装上三样东西：外接知识库（RAG）、动手的工具（Tools/Agent）、以及上下文记忆（Memory）

1.3 LangChain框架定位

LangChain定位： LangChain 作为大模型和应用层之间的中间层开发框架，解决原生 LLM 知识、交互、记忆三大短板

核心定位有3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（解决知识问题）
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（解决交互，记忆问题）
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

1.4 LangChain应用场景

围绕"补知识、接工具、加记忆" 三大能力，LangChain 已经形成了六大成熟应用场景：

1.RAG 检索增强生成

痛点：解决大模型知识滞后和幻觉问题

功能：检索外部知识库（文档/数据库）并向量化，让模型基于最新、最相关的资料回答

应用：构建企业知识库并将其接入大模型，让 AI 基于知识库内容回答问题，不再胡说八道，也不用每次更新知识就重新训练模型

2.Agent 智能体

痛点： 解决 LLM 无法直接执行复杂任务的问题

功能：将模型作为"推理引擎"，自主规划路径并动态调用外部工具，实现复杂任务

应用：让大模型自己思考下一步该做什么、调用哪个工具 ------ 比如你说 "帮我订明天去北京的机票"，Agent 会自动查航班、比对价格、完成预订，而不是只给你一段文字建议

3.对话系统和聊天机器人

痛点： 解决多轮对话中的"记忆"流失问题

功能： 集成记忆管理系统，记住用户偏好和历史交互，并结合私有数据（如教育教材、订单库）提供专业服务

应用：给聊天机器人加上记忆和业务数据对接能力，做到多轮对话上下文不断线，还能查订单、查教材，变成真正能用的客服 / 助手

4.多模态应用

痛点： 跨越单一文本交互的限制

功能： 融合图像识别、语音转文字等技术，让模型具备处理音视频和图片的综合推理能力

应用：图片识别、语音转写、文字处理、语音合成一条龙，做能看能听能说的 AI 应用

5.内容自动生成

痛点： 解决生成内容格式不标准、质量不稳定的问题

功能： 配合提示词模板（Templates）与输出解析器（Parsers），自动产出规范的报告、合同或邮件

应用：从业务系统取数据，套模板自动输出法律文书、周报、合同，解决大模型输出格式不稳定的问题

6.数据连接与处理

痛点： 解决非结构化数据难以被模型直接利用的问题

功能：强大的数据连接能力使大模型能够与各种数据源和结构化数据交互。比如，从 PDF、Excel 中提取关键信息，或实现自然语言与 SQL 的自动转换

应用：读 PDF、读 Excel、自动写 SQL 查数据库、生成可视化报告 ------ 把大模型变成一个能直接操作企业数据的分析师

1.5 大模型相关岗位

AI 大模型完整技术栈分为 5 层，本专栏 LangChain 开发聚焦最上层「应用与 Agent 层」，对应岗位：大模型与 Agent 应用开发工程师

1. 算力与 Infra 基础设施层

内容：GPU/NPU 算力集群、K8s、Docker、Dify 部署等底层平台

对应岗位 ：大模型运维、Infra 工程师

职责：负责硬件资源调度、容器化、模型服务部署，保障模型稳定运行

2. 数据治理层

内容：结构化 / 非结构化数据、数据清洗、标注、数据接口

对应岗位 ：数据开发 / 清洗工程师

职责：采集、清洗、标注高质量数据，是大模型训练、RAG 知识库的原料来源

3. Model Foundation 通用基座大模型层

内容：文心一言、通义千问、ChatGPT、豆包等通用基础大模型；Ollama、LocalAI 本地推理引擎

对应岗位 ：大模型基座开发 / 优化工程师

职责：基座模型预训练、推理加速、底层模型能力优化。

4. 行业 / 多模态层

内容：面向制造、医疗、金融、电商的行业大模型；文本、图像、音视频多模态模型

对应岗位 ：大模型微调 / 算法工程师

职责：基于通用基座做行业微调，开发多模态能力，让模型适配垂直领域。

5. 应用与（Agent）层

内容：B 端（智能制造、智能客服）、C 端（AI 问答、文生图）、G 端（城市大脑）业务； Agent 编排：LangChain、LangGraph、多智能体 Multi-Agent 系统；典型 Agent：代码助手、工作流自动化、简历筛选助手

对应岗位 ：大模型与 Agent 应用开发工程师

C端应用：面向普通个人消费者；比如：AI问答，文生图/文生视频，AI翻译，个人简历助手等应用

B端应用：面向企业，组织，解决企业业务效率问题；比如：电商平台的AI客服，工厂里的AI助手，企业内部文档助手

G端应用：面向政府机构，解决政务效率问题；比如：城市大脑，智慧交通，在线业务

2.LangChain 是什么？

2.1 LangChain 发展时间线

第1阶段：诞生（2022年10月）

创始人：哈佛大学的机器学习项目工程师哈里森·蔡斯

项目在 ChatGPT 发布前一个月开源；名称来自 **Language（语言模型） + Chain（链式连接），**核心思想：把大模型和外部数据、工具连接起来
最初只有两大基础组件：LLM 抽象层 + Chain 链式调用；
初期只是个人开源小项目，关注度很低

第2阶段：爆发增长期（2022 年底 --- 2023 全年）

GitHub Star 快速飙升，也就是图里曲线陡峭上升的一段
陆续完善核心模块：Prompt 模板、Memory 记忆、Tool 工具调用、RAG 检索增强、Agent 智能体
推出 LangSmith（调试 / 观测平台）、LangHub 提示词仓库，生态快速扩大；2023 年 4 月完成融资，公司化运营
大量开发者用 LangChain 开发知识库问答、企业 AI 助手

第3阶段：架构重构期（2024 年初）

发布 v0.1.0，重大架构拆分：拆出 langchain-core 核心包、langchain-community 社区组件包；推出 LCEL LangChain 表达式语言，支持声明式链式编写
正式发布 LangGraph：从简单线性 Chain，升级为支持循环、分支、状态持久化的图式工作流，专门用来开发复杂 Agent、多智能体系统
推出 LangServe，方便把 LangChain 应用快速部署成 API 服务

第4阶段：Agent 成熟生态期（2024 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
框架稳定性持续提升，成为企业落地 RAG、Agent 应用的主流开发框架
GitHub Star 持续稳步上涨，就是图右侧平缓向上的曲线

2.2 Langchain v1.2主要模块

LangChain 2024 架构拆分：core 为轻量核心，社区 / OpenAI 等供应商包独立维护，langgraph 负责 Agent 编排，classic 向后兼容旧版代码。

langchain-core ：官方推荐的核心API；比如 Runnable, BaseMessage等
langchain-classic ：冗余代码移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，langchain anthropic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

想要关注更多API可访问官方文档： LangChain - Python API Reference | LangChain Reference

2.3 API文档

官网： LangChain: the open agent platform to own your intelligence

Github地址： LangChain

中文文档地址： LangChain 概述 - LangChain 文档 - LangChain 教程

英文文档地址： LangChain overview - Docs by LangChain

API文档查询地址： langchain | LangChain Reference

3.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

1. 基础能力层（LangChain）

积木化基础组件：大模型连接、工具调用、数据加载、向量库、提示词模板等

作用：给上层提供最基础能力单元，是 RAG、简单链式应用的基石

2. 运行时编排层（LangGraph）

负责状态管理、分支判断、循环流程、多智能体协作； 区别于旧版线性 Chain：不再是单向顺序执行，可以让 Agent 反复思考、循环调用工具，适合复杂任务

3. 智能体抽象层（Deep Agent）

更高阶封装，核心能力：复杂任务拆解、自主决策； 接收用户的大目标，自动拆成多个子任务，自主判断下一步动作，是 Agent "思考" 的顶层抽象

4. 监控与评估层（LangSmith）

项目上线后的观测平台，能力：应用监控、性能评估、问题调试；可以追踪每一轮大模型调用日志、查看输入输出、评估回答质量，定位幻觉、调用失败等问题，持续迭代优化应用

上三层框架不是竞争关系，并非互斥，复杂项目完全可以同时应用到这三层

4.大模型应用场景介绍

大模型应用技术特点：门槛低，天花板高

4.1 RAG开发

4.1.1 背景

大模型的知识受限于训练数据：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

4.1.2 何为RAG？

RAG ：Retrieval-Augmented Generation（检索增强生成）

RAG操作过程：

图1：

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

图2：

这些过程中的难点：文件解析，文件切割，知识检索，知识重排序

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。

文件切割：没有固定的格式

知识重排序：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

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

4.2 Agent开发

Agent 智能体：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）

现代 Agent 架构：

一个数学公式来表示：Agent = LLM + Planning + Tools + Memory + Action

Agent 核心要素被细化为以下模块：

LLM大语言模型 ：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Tools ：调用外部工具（如API、数据库）扩展能力边界
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
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。