大家好！我是 [数擎 AI]，一位热爱探索新技术的前端开发者，在这里分享前端和 Web3D、AI 技术的干货与实战经验。如果你对技术有热情，欢迎关注我的文章，我们一起成长、进步！
开发领域：前端开发 | AI 应用 | Web3D | 元宇宙
技术栈：JavaScript、React、ThreeJs、WebGL、Go
经验经验：6 年+ 前端开发经验，专注于图形渲染和 AI 技术
开源项目：智简未来、晓智科技、数擎科技
1. LangChain 是什么？
LangChain 是一个开源框架，专为 大语言模型（LLM） 应用程序构建而设计，它简化了与 LLM 的集成流程，提供了强大的链式调用机制、工具集成能力、记忆与上下文管理等。
一句话总结：
LangChain = LLM 的应用层框架，让你更快、更模块化地搭建 AI 应用。
2. 安装依赖
pip install langchain openai还需要配置 OpenAI API Key：
export OPENAI_API_KEY=sk-xxxxx或写在 .env 文件中。
3. 构建第一个 LLM 应用
from langchain.chat_models import ChatOpenAIfrom langchain.schema import HumanMessagellm = ChatOpenAI(temperature=0.7)response = llm([ HumanMessage(content="你好，介绍一下LangChain。")])print(response.content)输出示例：
LangChain 是一个用于构建语言模型驱动应用程序的框架……4. 、LangChain 的核心架构
LangChain 主要由以下五个模块组成：
| 模块 | 说明 |
|---|---|
| LLMs / ChatModels | 接入语言模型（如 OpenAI、Anthropic） |
| Prompts | 提示词模板化与输入输出结构化 |
| Chains | 将多个步骤按逻辑组合起来（类似工作流） |
| Agents | 拥有自主决策能力的执行体（可调用工具） |
| Memory | 对话记忆系统，可用于多轮上下文保持 |
这些模块高度解耦，可按需组合，构建你的 LLM 应用。
5 、LangChain Chain 模型详解
Chain 是 LangChain 最核心的能力，它定义了“从用户输入到最终输出”的处理逻辑。
示例：Prompt + LLM = Chain
from langchain.prompts import PromptTemplatefrom langchain.chat_models import ChatOpenAIfrom langchain.chains import LLMChainprompt = PromptTemplate( input_variables=["product"], template="为一个{product}写一个创意广告文案。")llm = ChatOpenAI(temperature=0.7)chain = LLMChain(llm=llm, prompt=prompt)result = chain.run("AI 眼镜")print(result)输出示例：
戴上我们的 AI 眼镜，你不仅能看清世界，还能预见未来！6.、Memory：对话记忆机制
- LangChain 的 Memory 模块支持不同的上下文保存方式，如：ConversationBufferMemory：原始对话串ConversationSummaryMemory：对话摘要记忆ConversationBufferWindowMemory：窗口型上下文
示例：添加对话记忆
from langchain.memory import ConversationBufferMemoryfrom langchain.chains import ConversationChainmemory = ConversationBufferMemory()llm = ChatOpenAI()conversation = ConversationChain(llm=llm, memory=memory)conversation.predict(input="你好，我叫tom。")conversation.predict(input="我今年18岁了。")conversation.predict(input="我住在上海，你还记得我是谁吗？")模型会自动带入上下文回答：“你是 tom，18 岁，住在上海。”
7、RAG：检索增强生成（Retrieval-Augmented Generation）
- RAG 是 LangChain 的杀手级特性，允许 LLM 从外部知识库检索内容，并结合生成回答，突破 GPT 无法访问私有数据的问题。
LangChain + FAISS + 文档问答
from langchain.vectorstores import FAISSfrom langchain.document_loaders import TextLoaderfrom langchain.embeddings import OpenAIEmbeddingsfrom langchain.chains import RetrievalQA# 1. 加载文档并向量化loader = TextLoader("mydoc.txt")docs = loader.load()vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())retriever = vectorstore.as_retriever()# 2. 构建 QA Chainqa_chain = RetrievalQA.from_chain_type( llm=ChatOpenAI(), retriever=retriever)qa_chain.run("文档中提到了 LangChain 是做什么的？")你可以替换向量库为 Pinecone、Weaviate、Chroma 等，支持亿级数据检索
8. Agents：智能体的工作方式
- LangChain Agent 是“具备思考 + 工具调用能力”的智能体。你只需告诉它目标，它会自动选择工具（搜索、计算器、数据库等）执行任务。
示例：使用 ReAct Agent
from langchain.agents import load_tools, initialize_agentfrom langchain.agents import AgentTypefrom langchain.chat_models import ChatOpenAIllm = ChatOpenAI()tools = load_tools(["serpapi", "llm-math"], llm=llm)agent = initialize_agent( tools=tools, llm=llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)agent.run("北京明天的天气是多少摄氏度，加上今天的日期总和是多少？")它将自动调用搜索工具查询天气，再调用计算工具完成计算。
9. 总结
- LangChain 的出现标志着从“调用 LLM 接口”进入“构建 LLM 应用框架”的新阶段。它就像 TensorFlow 之于 AI，Spring 之于 Java，提供了 模块化、组合式、可拓展的 AI 应用开发能力。如果你有意向进入 AI 工程、AI 产品开发领域，LangChain 是必备技能。
