LangChain：框架概述

LangChain 为模型接入、工具调用和智能体开发提供统一抽象。本章介绍其生态组成、包结构与开发环境，并比较 Prompt、Agent、RAG 和微调的适用场景。

适用版本：langchain==1.2.12、langchain-core==1.2.18、langgraph==1.1.2。

1. 为什么需要 LangChain

1.1 从“生成回答”到“完成任务”

传统应用由开发者预先编排主要流程；大模型应用可以让模型理解自然语言，再选择工具、查询资料并组织结果。框架负责连接模型与应用资源，模型负责生成与决策，具体动作仍由程序或外部系统执行。

单一模型有三个主要局限：

LangChain 为这些能力提供统一抽象和集成，帮助减少重复的连接与编排代码。框架不会自动消除幻觉，也不会替代业务校验与数据质量管理。

1.2 典型应用与岗位分工

• 知识问答与客服： 检索课程、制度或产品文档，再基于证据回答。
• 任务型智能体： 根据任务调用搜索、计算、订单或数据库工具。
• 多轮对话： 保存会话上下文，按需加载用户偏好。
• 多模态应用： 结合支持图像、音频等输入的模型与专用工具。
• 内容与结构化生成： 自动生成报告、提取字段、分类和路由。

大模型技术体系涵盖算力基础设施、数据开发、模型研发与优化、微调算法，以及模型与 Agent 应用开发。本系列聚焦应用开发：将模型能力接入业务系统，并围绕实际任务构建可用的应用。

2. 版本演进与包结构

2.1 抓住演进主线

LangChain 从早期的提示词模板与链式组合，发展到工具、检索和智能体，再形成 LangGraph 运行时、LangSmith 观测以及 Deep Agents 等生态能力。本系列以 1.2 系列接口为主，重点介绍 create_agent、消息、工具、中间件与持久化。

工具的 Pydantic Schema、结构化输出和异步调用在早期版本中已经存在。理解版本演进时，应关注入口、组织方式与推荐实践的变化；迁移代码前需核对具体接口和包版本。

2.2 包名与职责

容易混淆： langchain-openai、langchain-anthropic 是独立伙伴包，不属于 langchain-community 包内部。安装包名常用连字符，Python 导入名常用下划线。

3. 四大生态组件

3.1 LangChain 生态概览

“LangChain”在学习资料中有两种含义：既可以指 LangChain 开发框架本身，也可以泛指围绕智能体开发形成的 LangChain 技术生态。

这套生态覆盖从技术验证、应用构建到运行监控与质量评估的过程。四个核心组成部分如下：

3.2 LangChain：智能体开发的基础能力

LangChain 为开发者提供模型调用、工具与中间件集成、智能体构建等能力，帮助快速搭建基于大语言模型（LLM）的应用。

3.2.1 统一模型接口

不同模型服务或运行平台，例如 OpenAI、Anthropic、Ollama，具有不同的接口形式。LangChain 通过统一的模型抽象，减少应用直接适配不同接口的工作量。

学习重点：把注意力更多放在应用逻辑上，同时保留对具体模型能力和配置差异的理解。

3.2.2 模块化设计

模型、消息、工具、智能体和中间件分别承担不同职责：

这些组件可以组合和扩展，不必为每种应用从头实现所有基础功能。

3.2.3 丰富的集成生态

LangChain 提供模型、数据源、API 和中间件等集成，方便将外部能力接入应用。典型场景包括搜索、订票和数据库查询。

适用思路： 当目标是快速构建智能体，或主要需求是模型接入、工具调用与常规智能体逻辑时，可以从 LangChain 入手。

3.3 LangGraph：复杂工作流的编排与运行时

当任务扩展为多步骤、带分支或循环、需要共享上下文的工作流时，就需要更明确地管理执行过程。

LangGraph 的核心思想是：将工作流表示为一张有向图，通过节点、边和状态描述任务如何执行。

3.3.1 三个核心概念

状态可以承载任务信息和中间结果；需要在中断或后续调用中恢复时，还要配置相应的持久化机制。

3.3.2 能解决什么问题

• 多步骤执行： 将任务拆成明确的处理节点。
• 条件分支： 根据当前状态或执行结果选择后续路径。
• 循环与反馈： 根据检查结果返回前面的步骤继续处理。
• 状态维护： 在不同步骤之间传递并更新任务上下文。
• 多智能体协作： 编排不同智能体之间的分工和信息交换。

图结构让流程更明确，也便于控制和观察执行过程。

3.3.3 与 LangChain 的职责区别

可以从能力抽象和执行流程两个角度区分：

• LangChain：有什么能力？ 关注模型、工具、消息等抽象及集成。
• LangGraph：流程怎么运行？ 关注执行路径、循环、分支和状态维护。

适用思路： 当应用需要精细控制工作流，或者需要组合固定流程与智能体决策时，可以直接使用 LangGraph。

3.4 Deep Agents：面向复杂任务的智能体执行框架

Deep Agents 的定位是 Agent Harness（智能体执行框架）：在 LangChain 和 LangGraph 的基础上，提供规划、文件管理、子智能体等较完整的能力组合，减少开发者自行搭建复杂智能体控制逻辑的工作。

3.4.1 核心能力

其中，“支持长期记忆”需要结合实际存储配置理解，不能直接等同于所有信息都会自动跨会话永久保存。

3.4.2 适用思路

如果任务需要规划多个步骤、维护较多中间材料，或者委派给多个专业子智能体处理，可以考虑 Deep Agents 提供的现成能力。

例如，调研并撰写报告可以拆成制定计划、搜集材料、分工分析、保存中间结果、汇总成文等步骤。

3.5 LangSmith：让运行过程可追踪、结果可评估

智能体系统复杂后，仅靠日志和 print 不容易看清完整的执行过程。LangSmith 用于追踪、记录和分析调用链路，帮助开发者理解系统行为并评估质量。

3.5.1 四个核心目标

LangSmith 贯穿开发与运行过程，可以与上述框架配合使用。它的作用是帮助回答：系统执行了哪些步骤、哪里出了问题、调整之后效果是否更好。

3.6 四者如何协作

3.6.1 按职责理解

按职责划分，LangChain 提供基础能力，LangGraph 负责运行编排，Deep Agents 提供更高层的智能体能力组合，LangSmith 则提供监控与评估。

这是一种帮助理解职责的划分。实际开发中，它们可以协同使用，不必把选择理解为只能四选一。

3.6.2 按实现关系理解

高层智能体实现与底层运行时之间的关系如下：

• Deep Agents 构建于 LangChain Agents，提供规划、文件管理和子智能体等能力。
• LangChain Agents 运行于 LangGraph，提供较高层的智能体开发接口。
• LangGraph 负责工作流编排与运行时支持。
• LangSmith 可以对上述框架构建的应用进行追踪、调试与评测。

LangGraph 也可以独立使用。 “LangChain 提供基础能力”描述的是开发职责，不代表 LangGraph 在代码依赖上必须建立在 LangChain 之上。

3.6.3 需求与选型对照

建议的学习路径是：先理解 LangChain 的基础能力，再学习 LangGraph 的编排思想，随后认识 Deep Agents 的高级能力，并用 LangSmith 观察和评估运行效果。这是学习路径，实际项目可以按需求直接选择合适的入口。

4. 开发前的准备

4.1 前置知识

需要掌握 Python 的函数与参数、类、类型注解、装饰器、容器、JSON、异常处理、包管理和基础异步编程；理解 LLM、Token、Prompt、Embedding、API Key 的含义。

4.2 环境选择

LangChain 1.x 要求 Python 3.10 及以上，具体环境还需满足所用集成包的要求。建议为项目创建独立环境，并统一锁定依赖版本，避免不同章节或模块使用互不兼容的接口。

以下示例使用 Conda 和 Python 3.13.12 创建隔离环境，并安装本系列采用的核心依赖：

conda create -n langchain-demo python=3.13.12
conda activate langchain-demo
python -m pip install "langchain==1.2.12" "langchain-core==1.2.18" "langgraph==1.1.2"
python -c "import langchain; print(langchain.__version__)"

在 IDE 中选择同一个环境的解释器。命令行安装成功而 IDE 报导入错误时，先比较解释器路径。模型集成、RAG、数据库和文档解析所需的额外依赖，应按对应章节与实际环境安装。

5. Prompt、Agent、RAG 与微调如何选择

5.1 RAG：补充可检索的外部知识

RAG 是 Retrieval-Augmented Generation，即检索增强生成。离线把文档解析、切分并建立索引；在线将问题用于检索，把相关片段放进提示词，再生成有依据的回答。

关键难点是文档解析、合理切分、检索与重排序。重排器可以在初步召回的候选中重新排序，提高最终上下文的相关性，但无法找回第一阶段根本没召回的材料，也会增加延迟与成本。RAG 能减少部分事实错误，效果仍取决于资料与检索质量。

5.2 Agent：围绕目标选择行动

可以从以下能力组合理解智能体：

Agent ≈ LLM + Planning + Tools + Memory + Action

这是能力划分，不是所有实现都必须同时包含五个独立模块：

• LLM： 理解输入，决定下一步。
• Planning： 拆解任务，并根据反馈调整步骤。
• Tools： 暴露搜索、查询、计算等可调用能力。
• Memory： 提供任务状态、历史和跨会话资料。
• Action： 实际执行决定，并取得可观察的结果。

例如“规划旅行并查询沿途酒店”：模型负责理解偏好与规划，工具查天气和酒店，状态保存已确定的路线，工具执行结果再影响后续选择。Function Calling 是表达工具调用的机制；工具执行和整个任务循环由应用或 Agent 运行时完成。

5.3 四种路线的对照

推荐顺序是先准备测试问题，用提示词与现有模型建立基线，再判断缺的是知识、工具还是特定任务能力。知识缺口考虑 RAG；需要对接系统考虑工具；微调要结合数据量、效果、成本再评估。这些方案可组合使用，不是互斥选项。

区分： 模型权重里的知识、Agent 的短期状态、跨会话长期存储不是同一个“记忆”。增大上下文窗口也不会让模型自动拥有永久记忆。

6. 本章要点

• LangChain 连接能力，LangGraph 控制流程，Deep Agents 提供规划与任务委派组合，LangSmith 追踪和评估。
• 模型生成“调用哪个工具、传什么参数”，程序负责执行工具。
• 缺知识先考虑检索；缺行动能力先考虑工具；行为与风格适配再评估微调。
• 先查当前安装版本和导入路径，再套用示例；不要混用 0.x 与 1.x 的入口。
• 运行成功只是第一步，还要评估结果、耗时、成本与错误。

思考题

1. 为什么单次 model.invoke() 不会自然记住上一轮？
2. RAG 与微调有什么区别？
3. LangGraph 能否独立使用？
4. State 与长期 Store 分别保存什么？

7. 参考资料