第一章LangChain概述与环境准备（上）
第一章、LangChain概述与环境准备（上）
1、为什么需要 LangChain
1.1 开发者面临的现实痛点
在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能"使用"这些模型，还希望能将它们灵活集成到自己的应用中。但真正动手开发时，会发现事情远没有那么简单：
| 你想实现的功能 | 直接用API你要做的事 |
| 保持上下文、记忆历史对话 | 自己管理对话状态、拼接消息列表、控制token上限 |
| 让模型访问私有数据(RAG) | 自己搭建向量数据库、写检索逻辑、处理文档切分 |
| 让模型调用计算器、查天气等工具 | 自己定义函数schema、解析模型返回的JSON、处理异常 |
| 复杂任务分步执行、自主规划 | 自己写循环、状态机、重试逻辑......从零搭建Agent架构 |
| 输出符合特定格式的JSON数据 | 自己写正则或解析器、处理模型输出不规范的情况 |
| 从OpenAI换成Claude或DeepSeek | 改接口、改参数、改解析逻辑......几乎重写一遍 |
每一项单独做都不算太难，但当它们组合在一起时，你会发现自己80%的时间都花在了重复造轮子上，而不是业务逻辑本身。
1.2 有了API还不够吗？
不使用LangChain，确实可以直接调用模型API完成开发。下面用一个最简单的例子看看区别：
1.2.1 方式一：直接调用OpenAI API
importopenai# 需要自己管理对话历史、解析输出、处理工具调用......response=openai.chat.completions.create(model="gpt-4",messages=[{"role":"user","content":"你好"}])print(response.choices[0].message.content)1.2.2 方式二：使用LangChain
fromlangchain_openaiimportChatOpenAI# 统一接口，支持流式、批处理、异步，换模型只改一行llm=ChatOpenAI(model="gpt-4")response=llm.invoke("你好")print(response.content)这只是最简单的调用，差距还不明显。但一旦你需要加上记忆、工具调用、RAG、结构化输出，直接用API的代码量会呈指数增长，而LangChain始终保持简洁统一的写法。
1.3 LangChain到底帮你省了什么
| 核心价值 | 说明 |
| 不用重复造轮子 | 对话管理、工具调用、RAG流程......都是现成的标准化组件 |
| 模型随便换 | 统一接口,OpenAI → Anthropic → DeepSeek → 本地模型,改一行配置搞定 |
| 专注业务逻辑 | 底层的消息拼接、参数解析、异常处理,框架帮你做了 |
| 生态极其丰富 | 70+ 模型提供商、100+ 工具集成、50+ 向量数据库集成 |
| 出了Bug好查 | LangSmith 提供可视化调试,每一步调用、每一次工具执行都能追踪 |
一句话总结：LangChain 让你把精力从"怎么调API"转移到"怎么做产品"上。
2、什么是 LangChain
2.1 定义与背景
带着上面的痛点，我们来认识解决方案——
LangChain 是2022年10月由哈佛大学的 Harrison Chase（哈里森·蔡斯）发起研发的开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。
官方定义：LangChain 是构建由大语言模型驱动的应用程序的最简单方式。只需不到10行代码，即可连接OpenAI、Anthropic、Google等多种模型。LangChain提供了预构建的Agent架构和模型集成，帮助快速将LLM无缝集成到Agent和应用中。
历史背景：LangChain 的发布（2022年10月）比ChatGPT问世（2022年11月）还要早一个月，从这个启动日期也可以看出创始人的眼光，占了先机的它迅速获得广泛关注和支持！目前LangChain已成为大模型应用开发领域最流行的框架之一。
2.2 LangChain 能做什么
回顾第1节中的那些痛点，LangChain 对每一项都提供了开箱即用的解决方案：
| 应用场景 | LangChain 怎么帮你 | 典型应用 |
| Agent(智能代理) | 预构建的Agent架构,自主规划步骤并调用工具 | 虚拟助手、自动化工作流 |
| RAG(检索增强生成) | 内置 DocumentLoader → TextSplitter →VectorStore → Retriever 全链路 | 企业知识库问答、文档分析 |
| 工具调用 | @tool 装饰器一行定义,模型自动识别和调用 | 计算器、天气查询、数据库操作 |
| 问答系统(QA) | 结合检索和模型,构建基于知识库的智能问答 | 客服机器人、内部知识库 |
| 多Agent系统 | 多个Agent协作,分工完成复杂任务 | 项目管理、复杂决策支持 |
2.3 LangChain 生态全景：LangChain vs LangGraph vs DeepAgents
LangChain 并不是一个孤立的库，它背后是一个三层架构的完整生态。这三层并非互相竞争，而是从底层到高层、层层构建的关系。官方分别称之为：Agent 运行时（Runtime）、Agent 框架（Framework）、Agent 套件（Harness）。
一句话理解层级关系
| Deep Agents(套件) — 建立在 —► LangChain(框架) — 建立在 —► LangGraph(运行时) | ||
| 自动驾驶汽车 | 汽车 | 发动机 |
| "给目的地就出发" | "自己组装零件开车" | "自己造引擎、画电路" |
2.3.1 三者详细对比
| 维度 | LangGraph(运行时) | LangChain(框架) | Deep Agents(套件) |
| 官方定位 | Agent 运行时 | Agent 框架 | Agent 套件(Harness) |
| 核心理念 | 用"图"精确控制每一步流程 | 提供标准化抽象层,自由组装组件 | 开箱即用,内置最佳实践 |
| 适用场景 | 需要确定性流程+AI决策的企业级编排 | 自定义Agent、RAG、工具链等通用开发 | 复杂、长时间运行的自主Agent任务 |
| 控制力 | ★★★★★最强,每个节点/边都你说了算 | ★★★中等,可自定义但有抽象约束 | ★★较弱,信任LLM自主决策 |
| 上手难度 | ●较高,需理解图结构、状态管理 | ●中等,10行代码即可上手 | ●最低,几行代码跑起来 |
| 内置能力 | 状态持久化、检查点、人机协作、流式传输 | 70+模型提供商、标准化接口、提示词模板 | 规划工具(Todo)、虚拟文件系统、子Agent生成、自动对话压缩 |
| 工作流定义 | 开发者预先定义(确定性) | 开发者通过链和工具组合定义 | LLM在运行时自主决定(自主性) |
| Token消耗 | 最可控 | 中等 | 较高(规划、压缩等内置功能会额外消耗) |
2.3.2 如何选择？
你的需求是什么？
|
|— “我想快速搞一个能干活的智能体，不想操心架构”
|→ \rightarrow→用DeepAgents（几行代码，开箱即用）
|
|— “我需要自定义提示词、工具链、RAG流程，灵活组装”
|→ \rightarrow→用LangChain（核心框架，灵活+ ++生态丰富）←本课程重点
|
|— “我要精确控制每一步、需要审批节点/回滚/人工审核”→ \rightarrow→用LangGraph（企业级编排，控制力最强）
2.3.3 代码风格对比
LangGraph — 手动定义图结构（控制力最强）：
fromlanggraph.graphimportStateGraph graph=StateGraph(State)graph.add_node("research",research_node)graph.add_node("write",write_node)graph.add_edge("research","write")# 每一步流转都你说了算app=graph.compile()LangChain — 使用框架抽象（灵活 + 标准化）：
fromlangchain_openaiimportChatOpenAIfromlangchain.agentsimportcreate_agent llm=ChatOpenAI(model="gpt-4")agent=create_agent(llm,tools=[search,calculator])agent.invoke({"messages":[{"role":"user","content":"..."}]})Deep Agents — 开箱即用（最省心）：
fromdeepagentsimportcreate_deep_agent agent=create_deep_agent(model="openai:gpt-4",tools=[search],system_prompt="You are a research assistant")agent.invoke({"messages":[{"role":"user","content":"..."}]})重要提示：三者层层构建——Deep Agents 建立在 LangChain 之上，LangChain 又建立在LangGraph 之上。无需了解 LangGraph 即可使用 LangChain 的基础功能，随着项目复杂度增长，可以随时向下钻一层获得更多控制权。
2.4 相关资源
GitHub地址：https://github.com/langchain-ai/langchain
官网地址：https://www.langchain.com/
官方文档：https://docs.langchain.com/
API 文档：https://reference.langchain.com/python/langchain/
3、LangChain 核心架构总览
前两节我们知道了"为什么需要 LangChain"以及"它是什么"。在动手写代码之前，先花两分钟建立一个全局视角——LangChain 内部到底有哪些模块、它们之间是什么关系。
3.1 架构分层图
3.2 三层模块速览
3.2.1 基础层 — “用什么说话”
这一层定义了 LangChain 与模型之间的通信协议，是所有上层功能的地基。
| 模块 | 一句话说明 | 后续课件 |
| Messages | 标准化消息格式(SystemMessage、 HumanMessage、AIMessage、ToolMessage) | ModelI/O |
| Prompts | 提示词模板,支持变量插入和复用 | Prompts |
| Streaming | 实时流式输出,逐token返回结果 | ModelI/O |
| Middleware | v1.x 新增,在模型调用前后插入重试、缓存、超时等逻辑 | 高级篇 |
3.2.2 能力层 — “怎么做”
这一层提供了模型之上的核心能力组件，每个组件独立可用，也可自由组合。
| 模块 | 一句话说明 | 后续课件 |
| Models | 统一的模型调用接口,支持 Chat Models、LLMs、Embeddings,所有模型都用 invoke/batch/stream | Model I/O |
| Tools | 用 @tool 装饰器定义函数,让模型具备调用外部API的能力 | Tools |
| Memory | 管理对话历史——短期记忆(当前会话)、长期记忆(跨会话)、摘要记忆(压缩token) | Memory |
| Structured Output | 用 Pydantic 模型约束输出格式,确保返回标准JSON | Output Parsers |
3.2.3 应用层 — “做什么”
这一层是面向业务场景的顶层模块，组合下面两层的能力来解决实际问题。
| 模块 | 一句话说明 | 后续课件 |
| Chains | 用管道符 prompt | 11m | parser 把多个组件串成一条流水线 | Chains (LCEL) |
| Retrieval (RAG) | DocumentLoader → TextSplitter → VectorStore → Retriever,检索增强生成全链路 | RAG |
| Agents | 自主规划执行步骤,循环调用工具直到完成任务 (Tool Calling / ReAct) | Agents |
3.3 模块间的协作关系
用一个实际场景来理解这些模块如何配合——“基于公司内部文档的智能问答机器人”：
用户提问：“我们公司的年假政策是什么？”∣ \mid∣∇ \nabla∇Prompts← \leftarrow←将用户问题嵌入提示词模板∣ \mid∣∇ \nabla∇
Retrieval ← 从向量数据库检索相关文档片段 | ▼ Models ← 将问题 + 检索结果发送给LLM | ▼ Structured ← 要求模型按指定JSON格式返回 Output | ▼ Memory ← 将本轮问答存入记忆，支持追问当你需要模型在回答过程中自主决定是否检索、何时调用工具时，就把上面这条链交给 Agent 来编排——Agent 会根据模型的推理结果动态决定下一步。