3分钟搞懂LangChain

一句话定义

LangChain = AI 应用开发的"瑞士军刀"，把模型、工具、记忆、检索这些零件统一成标准接口，让你几十行代码搭出 Agent 和 RAG 应用；2025 年 10 月发布 1.0 之后，它从"什么都能塞"的胶水库，收敛成了一个专注做 Agent 的框架。

打个比方

LangChain 之于 AI 开发：

像 jQuery 之于前端：抹平各家差异，提供统一 API
像 Spring 之于 Java：提供完整生态，开箱即用
像乐高积木：提供标准组件，自由组合

没有 LangChain vs 有 LangChain：

没有 LangChain：
  - 手写 Prompt 模板
  - 自己实现向量检索
  - 手动管理对话历史
  - 从零写 Agent 循环（调模型→解析工具调用→执行→再调模型）

有 LangChain：
  - 用内置模板
  - 几行代码接入向量库
  - checkpointer 自动持久化对话
  - create_agent 一行拿到完整 Agent 循环

经典场景：搭一个"企业知识库问答系统"。传统方式要自己切分文档、调 Embedding API、写检索逻辑、拼 Prompt、调 LLM、再处理多轮追问；LangChain 把这些都变成可替换的标准组件。

没有 LangChain vs 有 LangChain 对比

核心要点（3个）

1. LangChain 1.x 的核心概念

1.0 做的最大一件事，是做减法：主包只留下"构建 Agent 必需的积木"，历史遗留的几十种 Chain 全部搬到 langchain-classic。

核心组件：

1. Models（模型）

from langchain.chat_models import init_chat_model
 
# 统一入口，换厂商只改字符串
model = init_chat_model("anthropic:claude-sonnet-5")
model = init_chat_model("openai:gpt-5.5")

支持：

OpenAI、Anthropic、Google、Cohere 等主流厂商
开源模型（Llama、Qwen、DeepSeek 等）
本地模型（Ollama、vLLM）

2. Prompts（提示词模板）

from langchain_core.prompts import ChatPromptTemplate
 
template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}"),
    ("human", "{question}")
])

3. LCEL（表达式链）

1.0 之后，LLMChain 那套已经不用了，组合步骤直接用管道符：

chain = template | model          # 这就是"链"
result = chain.invoke({"role": "Python专家", "question": "如何学习Python?"})

管道两端只要是 Runnable 就能接，天生支持流式、批量、异步。

4. Agents（智能体）

这是 1.x 的绝对主角。initialize_agent 和 AgentExecutor 已废弃，统一入口是 create_agent：

from langchain.agents import create_agent
from langchain.tools import tool
 
@tool
def get_weather(city: str) -> str:
    """查询某个城市的天气。"""
    return f"{city}今天晴，26度"
 
agent = create_agent(
    model="anthropic:claude-sonnet-5",
    tools=[get_weather],
    system_prompt="你是一个helpful的助手",
)
 
result = agent.invoke(
    {"messages": [{"role": "user", "content": "北京今天天气如何?"}]}
)

create_agent 底层跑在 LangGraph 上，所以你白拿了流式输出、断点续跑（durable execution）和状态检查点。

5. Memory（记忆）

ConversationBufferMemory 那一套已经退场。现在记忆 = checkpointer + thread_id：

from langgraph.checkpoint.memory import InMemorySaver
 
agent = create_agent(
    model="anthropic:claude-sonnet-5",
    tools=[get_weather],
    checkpointer=InMemorySaver(),   # 生产环境换 Postgres/Redis 版本
)
 
cfg = {"configurable": {"thread_id": "user-42"}}
agent.invoke({"messages": [{"role": "user", "content": "我叫Alice"}]}, config=cfg)
agent.invoke({"messages": [{"role": "user", "content": "我叫什么?"}]}, config=cfg)
# 记得：你叫Alice

好处是对话状态落在数据库里，服务重启也不丢。

6. Middleware（中间件）—— 1.0 新增

想在模型调用前后插逻辑（压缩上下文、脱敏、人工审批、限流），过去要改 Agent 内部，现在写中间件：

from langchain.agents.middleware import SummarizationMiddleware
 
agent = create_agent(
    model="anthropic:claude-sonnet-5",
    tools=[get_weather],
    middleware=[SummarizationMiddleware(model="anthropic:claude-sonnet-5")],
)

钩子有 before_model、after_model、wrap_tool_call 等，写一次可以复用到所有 Agent 上。这是 1.0 最实用的新东西。

7. Data Loaders + Vector Stores（数据与检索）

from langchain_community.document_loaders import PyPDFLoader
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
 
docs = PyPDFLoader("company_docs.pdf").load()
vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())

集成已经拆成独立包（langchain-openai、langchain-chroma……），按需安装，不再一次性拖进几百个依赖。

LangChain 1.x 核心组件分层

组合示例（RAG）：

1.x 推荐的 RAG 写法不再是 RetrievalQA，而是把检索器包成一个工具交给 Agent：

from langchain.agents import create_agent
from langchain.tools import tool
 
retriever = vectorstore.as_retriever()
 
@tool
def search_docs(query: str) -> str:
    """在公司内部文档中检索相关内容。"""
    return "\n\n".join(d.page_content for d in retriever.invoke(query))
 
agent = create_agent(
    model="anthropic:claude-sonnet-5",
    tools=[search_docs],
    system_prompt="回答前先检索公司文档，并引用原文。",
)
answer = agent.invoke(
    {"messages": [{"role": "user", "content": "公司的退休金政策是什么?"}]}
)

比老写法多几行，但换来了一个关键能力：模型可以自己决定检不检索、检索几次、怎么改写查询，而不是被硬编码成"必检索一次"。

把检索器包成工具交给 Agent 的 RAG 流程

2. LangChain 的实际应用

应用1：企业知识库问答（RAG）

场景：内部文档检索、客服机器人、技术文档助手。

优势：文档加载器数量最多，向量库集成最全，检索器随时可换。

应用2：AI Agent（自主任务）

场景：数据分析 Agent、研究助手、自动化工作流。

优势：create_agent 开箱可用；复杂流程可以下沉到 LangGraph 手写图；原生支持 MCP 工具接入。

应用3：对话机器人

场景：客服、个人助理、教育辅导。

优势：checkpointer 持久化对话，多用户多会话靠 thread_id 天然隔离。

应用4：文档处理

场景：合同分析、论文总结、报告生成。

优势：加载器 + 切分策略成熟，长文档可配合上下文压缩中间件。

应用5：数据分析

场景：SQL 自动查询、数据可视化、报表生成。

优势：SQL 工具包成熟，配合 Agent 可以"提问→查库→画图→出结论"一条龙。

实际案例：

案例1：法律文档分析 —— 加载数百份合同，用户问"第5条的违约责任是什么"，Agent 自行检索相关条款并给出带出处的回答。

案例2：数据分析 Agent —— 用户说"分析上个月销售数据，画出趋势图"，Agent 依次调用查库工具、数据处理工具、绘图工具，最后汇总结论。

案例3：多语言客服 —— 用户用中文提问，检索英文文档，模型用中文作答，全程不需要显式翻译步骤。

3. LangChain 的生态和替代品

LangChain 家族（这是它真正的护城河）：

LangChain：Agent 构建层，Python 与 JavaScript 双版本，均已 1.0
LangGraph：底层编排框架，把 Agent 建模成图，管状态、循环、人工介入、断点续跑
Deep Agents：2026 年推出的"重装 Agent"harness，在 create_agent 之上打包了虚拟文件系统、子 Agent、上下文自动压缩、长期记忆，官方推荐用来做生产级复杂 Agent
LangSmith：可观测性与评估平台，追踪每一次调用的输入输出、耗时、成本
LangSmith Deployment（原 LangGraph Platform）：把 Agent 部署成带状态的长时服务

LangChain 全家桶与社区规模

社区规模：

GitHub 星标：11 万+（langchain 主仓库）
LangChain 系列框架累计下载量已突破 10 亿次
LangSmith 侧公布的数据：服务 300+ 企业客户，处理超 150 亿次 trace

商业化：2025 年 10 月完成 IVP 领投的 1.25 亿美元 B 轮，估值 12.5 亿美元，累计融资约 2.6 亿美元。

竞争对手（2026 年的格局已经和 2023 年完全不同）：

LlamaIndex：

定位：文档密集型 RAG + Workflows 编排
优势：LlamaParse 解析复杂 PDF（表格、多栏）是公认强项
劣势：Agent 生态与可观测性工具链不如 LangChain 完整
适合：以"啃复杂文档"为核心的项目

Microsoft Agent Framework：

定位：微软官方 Agent 框架，2026 年由 Semantic Kernel 与 AutoGen 合并而来，原两者已进入维护模式
优势：.NET / Python 双栈，原生支持 MCP 与 A2A，与 Azure 深度集成
劣势：生态与第三方集成数量仍不及 LangChain
适合：微软技术栈、.NET 团队

OpenAI Agents SDK / Claude Agent SDK / Google ADK：

定位：模型厂商自家的 Agent SDK
优势：轻、快、和自家模型能力贴合最紧
劣势：跨厂商切换成本高
适合：已经绑定某一家模型的团队

CrewAI：

定位：角色化多 Agent 协作
优势：上手最快，"组一个团队"的心智模型直观
劣势：有独立评测指出同样任务下 Token 开销明显高于 LangGraph
适合：多 Agent 原型验证

Pydantic AI：

定位：类型优先的轻量 Agent 框架
优势：类型安全、写起来像 FastAPI，2025-2026 增长很快
劣势：生态年轻，集成数量少
适合：重视类型约束和代码可控性的团队

Haystack（deepset）：

定位：检索与 NLP 管道框架，当前为 2.x 线
优势：搜索/检索工程能力强，管道显式可控
劣势：Agent 相关能力起步较晚
适合：企业搜索场景

框架对比：

框架	侧重	生态	难度	适合
LangChain / LangGraph	全能 + 状态编排	⭐⭐⭐⭐⭐	⭐⭐⭐	通用 AI 应用、生产级 Agent
LlamaIndex	文档 RAG	⭐⭐⭐⭐	⭐⭐	复杂文档知识库
MS Agent Framework	企业 / 微软生态	⭐⭐⭐	⭐⭐⭐	Azure、.NET 团队
OpenAI / Claude / Google SDK	单厂商	⭐⭐⭐	⭐	已绑定某家模型
CrewAI	多 Agent 协作	⭐⭐⭐	⭐	快速原型
Pydantic AI	类型安全	⭐⭐	⭐⭐	强类型工程团队
Haystack	检索	⭐⭐⭐	⭐⭐⭐	企业搜索

2026 年 AI 框架选型地图

选择建议：

通用 AI 应用、要换模型      → LangChain
复杂状态 / 长流程 / 要审计   → LangGraph
重装 Agent（子 Agent、长任务）→ Deep Agents
啃复杂 PDF 的 RAG           → LlamaIndex
只用一家模型、追求最轻       → 该厂商官方 SDK
微软 / .NET 技术栈          → Microsoft Agent Framework

LangChain 仍然被吐槽的地方：