LangChain是一个强大的Python开源框架，旨在简化和标准化大语言模型（LLM）应用的开发。它解决了直接调用LLM API时遇到的提示词管理困难、模型切换不便、复杂功能实现混乱等问题。LangChain通过模块化的设计，将LLM调用、提示词模板、链式操作、RAG检索、记忆管理以及工具调用等功能整合，提供了一个统一的开发架构。其核心组件包括langchain-core、integrations、langchain、langchain-community、langgraph和langsmith，分别覆盖基础组件、第三方集成、应用核心、社区贡献、流程管理和全生命周期监控。该框架支持Python和JavaScript/TypeScript，为开发者快速构建智能应用提供了便利，尤其适合需要处理多轮对话、知识库集成和外部工具调用的场景。

💡 **标准化LLM应用开发**：LangChain通过模块化设计，将大模型调用、提示词管理、记忆、知识库、RAG检索和工具调用等功能进行标准化，解决了开发者在直接使用LLM API时遇到的代码耦合、提示词管理混乱等问题，使得构建复杂的AI应用更加高效和易于维护。

🛠️ **核心组件与功能**：框架包含langchain-core（基础组件）、integrations（模型集成）、langchain（应用核心）、langchain-community（社区集成）、langgraph（流程图构建）和langsmith（生命周期管理）。这些组件协同工作，支持从基础的LLM交互到复杂的Agent和RAG系统构建。

🔗 **链（Chain）与Agent**：LangChain的核心思想之一是“链”，即将多个模块（如提示词模板、LLM、输出解析器）串联起来完成特定任务，类似于Linux的管道符。Agent则能让LLM自行思考、规划并调用工具来完成复杂任务，极大地扩展了AI的能力边界。

📚 **RAG与记忆功能**：LangChain支持检索增强生成（RAG），允许LLM根据外部特定文档进行回答，提高回答的准确性和时效性。同时，它还提供了记忆模块，使LLM能够记住对话历史，实现连贯的多轮对话体验。

🌐 **多语言支持与社区**：LangChain提供成熟的Python版本和适用于前端及Node.js的JavaScript/TypeScript版本，满足不同开发需求。活跃的社区也为框架的不断发展和集成提供了有力支持。

本文较长，建议点赞收藏，以免遗失。更多AI大模型开发 学习视频/籽料/面试题 都在这>>Github<<

一、为什么要了解LangChain？

近两年来，大语言模型（如ChatGPT、DeepSeek、Claude）持续火爆，从写文案、AI绘图，到写代码、AI智能客服，几乎“无所不能”。并且大语言模型的调用成本越来越低，作为程序员的你可能已经开始尝试用OpenAI、DeepSeek的API做些小应用，但是很快可能就会遇到一些问题：

提示词（Prompt）无法复用，而且内容过长不易管理。每个大模型都有自己的API，想用多个模型切换很困难，代码耦合很严重。想自己实现复杂功能，比如多轮对话、工具调用、知识库等功能，导致逻辑混乱。不同的Prompt、大模型、工具的使用没有统一规范。

因此，LangChain 就出现了，它可以帮助开发者把模型调用、提示词管理、记忆模块、外部工具调用等等模块标准化，不同的模块可自由组合。

二、LangChain是什么？

LangChain 是一个基于Python语言的大语言模型应用开源框架，LangChain可以帮你快速搭好项目架构，下图为LangChain技术体系的示意图。

LangChain技术体系主要包括以下模块：

langchain-core : 封装好的基础聊天模型和其他组件。

integrations：LangChain集成包，目前LangChain会将一些重要的集成包单独拆分出来（例如 langchain-openai ， langchain-anthropic 等），让集成包更轻量级，这些包将会由LangChain团队和集成包的开发者共同维护。

langchain : 构成AI应用的链、AI agent和检索器。

langchain-community : 社区维护的第三方集成包。

langgraph : LangGraph 专门用于构建能处理 复杂任务流程的 AI 应用。它的核心思想是用  “图”（Graph）  来管理任务流程，就像画一张路线图，让 AI 知道何时该执行什么操作、何时需要循环或分支判断，还能自动记住执行到哪一步了。

langsmith：LangSmith 是 LLM 应用的全生命周期管理平台，覆盖开发→测试→部署→监控全流程，可以观察到AI应用运行的每一个步骤，它与 LangChain深度集成，但它不仅适用于 LangChain，也可以用于监控任何使用 LLM 的应用。

LangChain 目前支持两个主要版本：

Python 版（最成熟，社区最大）JavaScript/TypeScript 版（适合前端和Node.js应用）

三、LangChain核心模块简介

在学习LangChain，先了解一些在LangChain框架中，甚至AI应用开发中一些核心的概念和模块，一定要首先清楚地知道是什么，之后再研究怎么做，下图展示了一个LangChain框架开发的应用的核心运行流程。

3.1 LLM接口

LangChain 封装了不同模型的调用方式，它统一了各种模型的接口，切换变得轻松。如下示例，创建了一个gpt-3.5-turbo的LLM模型。

from langchain_community.chat_models import ChatOpenAI# 创建大语言模型llm = ChatOpenAI(model="gpt-3.5-turbo")

3.2 PromptTemplate提示词模板

大模型的输出质量在很大程度上取决于提示词（Prompt） 的设计，在LangChain 把提示词封装成模板，支持变量动态替换，管理起来更清晰，能灵活控制 Prompt 内容，避免硬编码。

如下示例，一个模板中包含了两条消息，分别是人类消息和系统消息，并且设置了name和question两个动态变量，使用invoke方法进行动态替换，这里invoke之后返回的是渲染后Prompt的内容。

from langchain_core.prompts import ChatPromptTemplatesystem_chat_prompt = ChatPromptTemplate.from_messages([    ("system", "你是一个AI大模型，我是{name}"),])human_chat_prompt = ChatPromptTemplate.from_messages([    ("human", "{question}")])chat_prompt = system_chat_prompt + human_chat_promptprint(chat_prompt.invoke({"name": "alice",                          "question": "你好，请问你是？"}))

3.3 Chain链

Chain链是 LangChain 的核心思想之一，一个 Chain 就是将多个模块串起来完成一系列操作，Chain链可以将上一步操作的结果交给下一步进行执行，比如用提示词模板生成 Prompt，将渲染后的提示词交给大模型生成回答，再将大模型的回答将结果输出到控制台，Chain和Linux中的管道符十分类似，每一步的输出自动作为下一步输入，实现模块串联。

如下是Chain链的基本实例，它将提示词模板、LLM、输出解析器连接在一起。

prompt = ChatPromptTemplate.from_template("{question}")llm = ChatOpenAI(model="gpt-3.5-turbo")parser = StrOutputParser()chain = prompt | llm | parserprint(chain.invoke({"question": "要把大象装冰箱总共分几步"}))

3.4 RAG检索

在一些LLM的使用场景，需要使用一些特定的文档让LLM根据这些文档的内容进行回复，而这些特定的文档通常不在LLM的训练数据中，此时RAG检索就有用武之地。

在LangChain中，可以读取文档使用知识库，来进行大模型的增强搜索，LangChain封装各种类型的文档读取器，可以将读取文档得到的数据，通过LangChain文档分割器对文档进行分割，通过文本嵌入模型对文本进行向量化，将文本的向量信息保存到向量数据库。

当用户向AI发起提问时，在向量数据库中检索出与提问相关的文档，然后与用户问题一起发送给大模型，这个过程就叫做RAG（检索增强生成，Retrieval-Augmented Generation） ，RAG 能让大模型回答特定领域的问答变得更加精准、实时，避免出现幻觉。

下面代码示例，展示了LangChain中提供了文档读取相关加载类，对知识库中的文档进行读取。

from langchain_community.document_loaders import TextLoadertextLoader = TextLoader("./项目API文档.txt", encoding="utf-8")# 加载文档documents = textLoader.load()

3.5. Memory记忆

在和大模型对话时，大模型本身并不具备有记忆历史对话的功能，但是在ChatGPT、DeepSeek等大模型时，发现它们在同一个会话内有“上下文记忆”的能力，这样能使对话更加连贯。

LangChain 也提供了类似的记忆功能。通过 memory，可以把用户的历史对话保存下来，使大模型拥有历史记忆的能力，如下示例，每一轮对话会从ConversationSummaryBufferMemory中读取历史对话，渲染到Prompt供大模型使用。

对话结束之后，会将对话内容保存到ConversationSummaryBufferMemory，如果历史记忆超过一定大小，为了节省和大模型之间调用的token消耗，会对历史记忆进行摘要提取、压缩之后再保存，这样大模型拥有了记忆功能。

prompt = ChatPromptTemplate.from_messages([    ('system', "你是OpenAI开发的AI机器人"),    MessagesPlaceholder("history_chat"),    ("human", "{question}")])memory = ConversationSummaryBufferMemory(max_token_limit=400,return_messages=True,                                         input_key="question",llm=ChatOpenAI())llm = ChatOpenAI()chain = RunnablePassthrough.assign(    history_chat=RunnableLambda(memory.load_memory_variables) | itemgetter("history_chat")) | prompt | llm | StrOutputParser()# 循环进行对话while True:  ...

3.6 Tool工具调用

大语言模型本身是一种基于大量数据训练而成的人工智能，它本身是基于大量的数据为基础对结果进行预测，因此，大模型可能会出现给出1+1=3这种情况，大模型本身是不会“上网”， 也不会算数的，因此可以给大模型接入各种各样的工具如Google搜索、高德地图定位信息查询、图像生成等等。

那么大模型是怎么使用工具的呢？在现如今，很多的大模型都支持了工具调用，也就是将可用的工具信息列表在调用大模型时传递过去，这些信息包括工具的用途、参数说明等等，大模型会根据这些工具的作用确定调用哪些工具，并且根据参数的描述，来返回调用工具的参数。

最终将工具调用结果返回给大模型，完成用户交给的任务，整个过程中，大模型会根据任务判断是否调用工具，并组织执行，这个自动决策执行的过程，就是由 agent 完成的。

agent 会自己思考、分步骤执行，非常适合复杂任务处理，后续我们也会深入介绍如何通过 LangChain 创建一个完整的 agent，自动协调多个工具完成复杂任务。

对于那些不支持工具调用的大模型，也可以根据提示词将可选的工具和调用方法传递给大模型，但是大模型的预测有很强的不确定性，返回结果的准确率会显著下降。

四、总结

LangChain 是一个强大又灵活的大模型开发框架，它将 LLM 的调用和创建、提示词管理、记忆、知识库、RAG检索、工具调用等模块化，通过LangChain快速构建 AI 应用。

如果你被各种不同厂商的LLM提供的API写出很多不好维护的代码，那么LangChain就是你最好的选择，本文主要介绍了LangChain框架是什么以及它的核心模块，接下来我们将深入介绍 LangChain 中的每个模块，逐步构建你自己的智能应用，敬请期待下一篇《LangChain框架入门 02：PromptTemplate 提示词模板用法》。

原文地址：https://www.cnblogs.com/fengyun2019/p/19014296