LangChain 概述

空心木偶☜2026-10-07 11:01

1.1 用生活比喻理解

想象你要组装一台电脑。CPU、显卡、内存、硬盘、电源......每个零件单独买都能买到，但接口不一样、安装方式不同、驱动还要自己装。如果你不懂硬件，组装一台电脑会非常痛苦。

LangChain 就是 AI 应用开发领域的"标准化积木"。大模型、提示词、工具、数据库、外部 API 这些零件，本来各家接口都不一样。LangChain 把它们统一成标准接口，让你可以像搭积木一样，快速拼出一个 AI 应用。

1.2 一句话定义

LangChain 是一个用"链"来编排 AI 工作流的框架。它提供了统一的模型接口、提示词模板、工具系统、RAG 组件，让你用很少的代码把大模型和外部能力组合起来，快速构建 AI 应用。

第二章：四个核心概念（必须记住）

LangChain 的核心概念比 LangGraph 多一些，但初学只需要记住四个：

概念 通俗解释 代码里长什么样
Model（模型） 大脑，负责理解和生成文字 init_chat_model("openai:gpt-4o")
Prompt（提示词） 给大脑的"指令"，告诉它要干什么 字符串或模板
Tool（工具） 给大脑装上"手和脚"，让它能查天气、搜网页 加了 @tool 装饰器的函数
Agent（智能体） 把模型、提示词、工具组装起来的"完整机器人" create_agent(...)

2.1 Model：统一的大脑接口

LangChain 最大的价值之一，就是抹平各家大模型的差异。不管你用的是 OpenAI、Anthropic、Google 还是国产模型，调用的代码都一样。

python

复制代码 
from langchain.chat_models import init_chat_model

# 一行代码切换模型，业务代码不用改
model = init_chat_model("openai:gpt-4o")
# model = init_chat_model("claude-sonnet-4-6")        # Anthropic
# model = init_chat_model("google_genai:gemini-2.5-flash-lite")  # Google
# model = init_chat_model("ollama:llama3")            # 本地模型

调用方式有三种：

python

复制代码 
# 1. 一次性调用，等全部结果返回
resp = model.invoke("LangChain 是什么？")

# 2. 流式输出，边生成边返回
for chunk in model.stream("讲个故事"):
    print(chunk.content, end="")

# 3. 批量调用
resps = model.batch(["问题1", "问题2", "问题3"])

2.2 Prompt：给大脑的指令

最简单的 Prompt 就是一个字符串：

python

复制代码 
response = model.invoke("用一句话解释什么是 AI")

但实际开发中，你需要更灵活的模板：

python

复制代码 
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的{role}，用{style}的风格回答。"),
    ("human", "{question}")
])

# 填入变量
formatted = prompt.format(role="翻译官", style="简洁", question="什么是机器学习？")

2.3 Tool：让大脑能"动手"

大模型本身只能生成文字，不能查天气、不能搜网页。工具就是给模型装上的"手和脚"。

python

复制代码 
from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

注意那个 """...""" 文档字符串非常重要。大模型就是通过读这句话来判断"什么时候该调用这个工具"的。你写得越清楚，模型用得越准。

2.4 Agent：完整的机器人

把模型、工具、提示词组装起来，就得到一个 Agent：

python

复制代码 
from langchain.agents import create_agent

agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="你是一个乐于助人的助手",
)

create_agent 是 LangChain 1.0 中构建 Agent 的标准方式 ，取代了旧的 AgentExecutor 和 create_react_agent

第三章：环境搭建（手把手）

3.1 检查 Python 版本

LangChain 需要 Python 3.11 或更高版本。

bash

复制代码 
python --version

如果显示 Python 3.11.x 或更高，就可以。否则去 python.org 下载新版。

3.2 创建虚拟环境

bash

复制代码 
cd Desktop
mkdir my-langchain
cd my-langchain
python -m venv .venv

# 激活虚拟环境
# Windows:
.venv\Scripts\activate
# Mac/Linux:
source .venv/bin/activate

激活成功后，终端前面会出现 (.venv)。

3.3 安装 LangChain

bash

复制代码 
# 安装核心包
pip install -U langchain

# 安装模型集成包（按需选择）
pip install -U "langchain[openai]"      # OpenAI
# pip install -U "langchain[anthropic]"  # Claude
# pip install -U "langchain[google-genai]"  # Gemini

3.4 配置 API Key

创建一个 .env 文件：

text

复制代码 
OPENAI_API_KEY=你的key

如果你用其他模型，对应的环境变量名也不同（如 ANTHROPIC_API_KEY、GOOGLE_API_KEY）。

3.5 验证安装

bash

复制代码 
python -c "from langchain.agents import create_agent; print('安装成功！')"

第四章：第一个完整示例（逐行讲解）

我们来写一个最简单的"天气助手 Agent"：你问天气 → Agent 自动调用工具 → 返回答案。

4.1 完整代码

新建文件 first_agent.py：

python

复制代码 
from dotenv import load_dotenv
from langchain.agents import create_agent

load_dotenv()

# ---------- 1. 定义工具（给 Agent 装上手） ----------
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

# ---------- 2. 创建 Agent（组装机器人） ----------
agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# ---------- 3. 运行 ----------
result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]}
)

print(result["messages"][-1].content_blocks)

4.2 逐行解释

第 1-2 行 ：导入 load_dotenv 用来读取 .env 文件，导入 create_agent 是构建 Agent 的核心函数。

第 4 行 ：load_dotenv() 把 .env 里的 API Key 加载到环境变量中。

第 7-9 行：定义一个工具函数。注意：

  • 参数类型注解 city: str 和返回值注解 -> str 帮助模型理解怎么用这个工具。

  • 文档字符串 """Get weather for a given city.""" 是给模型看的说明书，告诉它"这个工具是查天气的"。

第 12-16 行 ：调用 create_agent 创建 Agent：

  • model：用哪个大模型。

  • tools：这个 Agent 能用哪些工具。

  • system_prompt：系统提示词，设定 Agent 的角色。

第 19-21 行：运行 Agent。注意传入的格式：

python

复制代码 
{"messages": [{"role": "user", "content": "你的问题"}]}

这是一个消息列表 。role 表示是谁说的（user 是用户，assistant 是模型），content 是内容。

第 23 行 ：打印最后一条消息的内容。result["messages"][-1] 取消息列表的最后一条（也就是模型的回答），.content_blocks 取回答内容。

4.3 运行结果

bash

复制代码 
python first_agent.py

你会看到类似这样的输出：

text

复制代码 
[{'type': 'text', 'text': "The weather in San Francisco is always sunny!"}]

4.4 背后发生了什么？

当你问"旧金山的天气怎么样"时，Agent 内部自动完成了这些步骤：

  1. 发送请求：把你的问题 + 工具说明一起发给大模型。

  2. 模型决定 ：模型读懂了你的问题，看到有个 get_weather 工具，决定调用它。

  3. 执行工具 ：LangChain 自动帮你调用 get_weather("San Francisco")，得到结果 "It's always sunny in San Francisco!"。

  4. 模型总结：把工具结果发回给模型，模型生成最终回答。

  5. 返回结果：最终回答就是你看的那句话。

你只写了 3 行核心代码，Agent 自动完成了"思考 → 调工具 → 再思考 → 回答"的完整循环。这就是 LangChain 的强大之处。

第五章：加上"记忆"（多轮对话）

5.1 问题

上面的 Agent 是"一次性"的。你问一句，它答一句，然后忘了。如果你接着问"那北京呢？"，它不知道你在问天气。

5.2 解决方案：传入历史消息

LangChain 的 Agent 通过消息列表来记住上下文。你只需要把之前的对话也传进去：

python

复制代码 
from dotenv import load_dotenv
from langchain.agents import create_agent

load_dotenv()

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 维护一个对话历史
messages = [
    {"role": "user", "content": "What's the weather in San Francisco?"},
    {"role": "assistant", "content": "It's always sunny in San Francisco!"},
    {"role": "user", "content": "What about Beijing?"},  # 追问
]

result = agent.invoke({"messages": messages})
print(result["messages"][-1].content_blocks)

这次 Agent 知道你在追问天气，因为它看到了之前的对话历史。

5.3 真正的"记忆"：Checkpointer

每次手动传历史消息太麻烦。LangChain 提供了 Checkpointer，自动帮你保存对话历史：

python

复制代码 
from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()
agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
    checkpointer=checkpointer,  # 加上这一行
)

config = {"configurable": {"thread_id": "user_001"}}

# 第一轮
agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]},
    config,
)
# 第二轮（不用手动传历史）
result = agent.invoke(
    {"messages": [{"role": "user", "content": "What about Beijing?"}]},
    config,
)
print(result["messages"][-1].content_blocks)

thread_id 就像会话 ID，同一个 ID 的多次调用自动共享历史。

第六章：RAG（让模型"知道"你的私有数据）

6.1 什么是 RAG？

大模型的知识来自训练数据，截止到某个时间点。如果你要问它"我们公司 2026 年的产品手册里写了什么"，它根本不知道。

RAG（检索增强生成） 的思路很简单：

  1. 切块：把你的文档切成小段。

  2. 向量化：把每段文字转成一串数字（向量）。

  3. 存储：存进向量数据库。

  4. 检索：用户提问时，先找出最相关的几段文字。

  5. 生成：把"问题 + 相关文字"一起发给模型，让它基于这些文字回答。

6.2 最小 RAG 示例

python

复制代码 
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore

# 1. 准备文档
docs = [
    Document(page_content="LangChain 是一个 AI 应用开发框架。"),
    Document(page_content="LangGraph 是 LangChain 的底层编排引擎。"),
    Document(page_content="RAG 是检索增强生成技术。"),
]

# 2. 向量化并存储
embeddings = OpenAIEmbeddings()
vectorstore = InMemoryVectorStore.from_documents(docs, embeddings)

# 3. 检索
query = "LangChain 和 LangGraph 什么关系？"
results = vectorstore.similarity_search(query, k=2)
for doc in results:
    print(doc.page_content)

6.3 RAG + Agent

把向量库包装成一个工具，Agent 就能自己决定"什么时候该查资料"：

python

复制代码 
from langchain_core.tools import tool

@tool
def search_docs(query: str) -> str:
    """搜索内部文档，回答用户关于公司产品的问题。"""
    results = vectorstore.similarity_search(query, k=3)
    return "\n".join([doc.page_content for doc in results])

agent = create_agent(
    model="openai:gpt-4o",
    tools=[search_docs],
    system_prompt="你是一个知识库助手，回答问题前先搜索文档。",
)

第七章：常见报错和坑

坑 1：API Key 没配置

报 AuthenticationError 时，检查 .env 文件是否在项目根目录，以及 load_dotenv() 是否在创建 Agent 之前调用。

坑 2：工具函数没有文档字符串

python

复制代码 
# 错误：模型不知道这个工具是干什么的
@tool
def get_weather(city: str) -> str:
    return f"晴天"

# 正确：加上文档字符串
@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气。"""
    return f"晴天"

坑 3：消息格式写错

agent.invoke() 必须传入 {"messages": [...]} 格式，不能直接传字符串。

坑 4：模型名称写错

model 参数必须用 "provider:model" 格式，比如 "openai:gpt-4o"。只写 "gpt-4o" 会报错。

坑 5：装了 langchain 但没装模型集成包

pip install langchain 只装核心包。用 OpenAI 还要装 pip install "langchain[openai]"。

第八章：LangChain 和 LangGraph 怎么选？

这是初学者最常问的问题。记住这张表：

场景 用哪个 原因
快速搭一个问答机器人 LangChain create_agent 几行代码搞定
做一个标准的 RAG 应用 LangChain 组件齐全，上手快
需要精确控制每一步流程 LangGraph 你手动画节点和边
需要循环、条件分支、人工介入 LangGraph 图结构天生支持
要做生产级、长时间运行的 Agent LangGraph 支持持久化、容错、流式

官方建议：用 LangChain 快速上手，需要更深层定制时再回到 LangGraph。

你之前学了 LangGraph，现在学 LangChain，学习顺序其实很理想：先学底层（LangGraph），再学上层（LangChain），这样你既知道"怎么快速搭"，也知道"底层发生了什么"。

附录：速查表

python

复制代码 
# 最小 Agent 模板
from dotenv import load_dotenv
from langchain.agents import create_agent

load_dotenv()

def my_tool(param: str) -> str:
    """工具的说明（给模型看）。"""
    return "工具执行结果"

agent = create_agent(
    model="openai:gpt-4o",
    tools=[my_tool],
    system_prompt="你是一个助手",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "你的问题"}]}
)
print(result["messages"][-1].content_blocks)

记住一句话：LangChain 帮你快速搭，LangGraph 让你精细控。模型是大脑，工具是手脚，Agent 把它们组装起来。

相关推荐
lie..1 小时前
30天从零开始学AI应用开发（Day 19）：项目二完结：RAG 知识库问答系统，把自己攒的资料变成私人顾问
开发语言·人工智能·python
颜进强1 小时前
18 · NestJS动态模块与 forRoot:`imports: [ConfigModule.forRoot({...})]` 到底在 import 什么
前端·后端·ai编程
fitpolo1 小时前
AI编程入门
ai编程
lugiax1 小时前
跨平台移植：把一个Mac终端搬上 Windows 学到的七件事
程序员·ai编程
碎觉崽1 小时前
给 AI 助手加能力，规则文件和 Skill 到底该用哪个？
ai编程
颜进强2 小时前
17 · 自定义 Provider 四形态:useValue / useClass / useFactory / useExisting 到底在选什么
前端·后端·ai编程
郝学胜_神的一滴2 小时前
Numpy数据处理详解 01：NumPy 从环境搭建到入门上手
人工智能·python
吱屋猪_2 小时前
一个RAG系统是怎样运行的：从文档分块到大模型回答
embedding·健康医疗·ai编程
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02历年考研数学一、数学二、数学三真题试卷及答案PDF03国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）04Telegram APK 下载安装完整指南 — 2026年最新05GitHub 镜像站点06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）08微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新092026 爱知・名古屋亚运会怎么看？直播平台+赛程安排分享10给AI一张“业务概念地图“：本体如何从哲学走向企业智能