LangChain 框架详解：构建 LLM 应用的利器
返回LangChain 框架详解
LangChain 是构建 LLM 应用最流行的开源框架。本文深入解析 LangChain 的核心概念、组件架构和实际使用方法。
一、什么是 LangChain？
LangChain 是一个用于开发由语言模型驱动的应用程序的开源框架。它的核心目标是：
- 连接 — 将 LLM 与外部数据源、API、工具连接起来
- 编排 — 组织多个组件协同工作
- 简化 — 提供高层抽象，降低开发复杂度
1.1 为什么需要 LangChain？
┌─────────────────────────────────────────────────────────────────┐
│ 不用 LangChain vs 使用 LangChain │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ❌ 不用框架 ✅ 使用 LangChain │
│ ━━━━━━━━━━━━━━━━ ━━━━━━━━━━━━━━━━ │
│ • 每个模型 API 都不一样 • 统一接口，随意切换 │
│ • 自己处理 Token 限制 • 自动处理上下文窗口 │
│ • 手动管理对话历史 • 内置记忆系统 │
│ • 工具调用自己实现 • 预构建的工具集成 │
│ • Agent 逻辑从头写 • 10 行代码创建 Agent │
│ │
└─────────────────────────────────────────────────────────────────┘二、核心组件架构
2.1 LangChain 组件总览
┌─────────────────────────────────────────────────────────────────┐
│ LangChain 核心组件 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │
│ │ Models │ │ Prompts │ │ Memory │ │
│ │ 模型 │ │ 提示词 │ │ 记忆 │ │
│ ├─────────────────┤ ├─────────────────┤ ├─────────────────┤ │
│ │ • Chat Models │ │ • Templates │ │ • Conversation │ │
│ │ • LLMs │ │ • Few-shot │ │ • Buffer │ │
│ │ • Embeddings │ │ • Examples │ │ • Vector Store │ │
│ └─────────────────┘ └─────────────────┘ └─────────────────┘ │
│ │
│ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │
│ │ Tools │ │ Agents │ │ Retrievers │ │
│ │ 工具 │ │ 智能体 │ │ 检索器 │ │
│ ├─────────────────┤ ├─────────────────┤ ├─────────────────┤ │
│ │ • API 调用 │ │ • ReAct │ │ • Vector DB │ │
│ │ • 数据库查询 │ │ • Plan & Exec │ │ • Self-query │ │
│ │ • 文件系统 │ │ • OpenAI Func │ │ • Multi-query │ │
│ └─────────────────┘ └─────────────────┘ └─────────────────┘ │
│ │
│ ┌─────────────────┐ ┌─────────────────┐ │
│ │ Chains │ │ Callbacks │ │
│ │ 链 │ │ 回调 │ │
│ ├─────────────────┤ ├─────────────────┤ │
│ │ • Sequential │ │ • Logging │ │
│ │ • Parallel │ │ • Tracing │ │
│ │ • Transform │ │ • Monitoring │ │
│ └─────────────────┘ └─────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘三、核心概念详解
3.1 模型（Models）
LangChain 提供统一的接口来调用各种 LLM：
from langchain_anthropic import ChatAnthropic
from langchain_openai import ChatOpenAI
from langchain_google_genai import ChatGoogleGenerativeAI
# Anthropic Claude
claude = ChatAnthropic(model="claude-sonnet-4-6")
# OpenAI GPT
gpt = ChatOpenAI(model="gpt-4o")
# Google Gemini
gemini = ChatGoogleGenerativeAI(model="gemini-2.0-pro")
# 统一的使用方式
response = claude.invoke("你好，请介绍一下自己")模型类型
| 类型 | 用途 | 示例 |
|---|---|---|
| Chat Models | 对话式交互 | ChatOpenAI, ChatAnthropic |
| LLMs | 文本补全 | 传统 GPT-3 风格 |
| Embeddings | 文本向量化 | OpenAIEmbeddings |
3.2 提示词（Prompts）
Prompt 模板帮助你管理和复用提示词：
from langchain.prompts import ChatPromptTemplate
# 创建模板
template = ChatPromptTemplate.from_messages([
("system", "你是一个{role}，擅长{expertise}"),
("user", "{input}")
])
# 使用模板
prompt = template.invoke({
"role": "编程助手",
"expertise": "Python 开发",
"input": "如何读取文件？"
})Few-shot 示例
from langchain.prompts import FewShotChatMessagePromptTemplate
examples = [
{"input": "2+2", "output": "4"},
{"input": "2*3", "output": "6"},
]
few_shot = FewShotChatMessagePromptTemplate(
examples=examples,
example_prompt=ChatPromptTemplate.from_messages([
("user", "{input}"),
("ai", "{output}")
])
)3.3 记忆（Memory）
记忆系统让 Agent 能够记住对话历史：
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(
memory_key="chat_history",
return_messages=True
)
# 保存对话
memory.save_context(
{"input": "你好"},
{"output": "你好！有什么可以帮助你的？"}
)
# 获取历史
history = memory.load_memory_variables({})记忆类型
| 类型 | 特点 | 适用场景 |
|---|---|---|
| Buffer Memory | 保存完整历史 | 短对话 |
| Summary Memory | 自动总结历史 | 长对话 |
| Vector Store Memory | 向量检索相关历史 | 需要上下文检索 |
| Entity Memory | 记忆实体信息 | 需要记住人名、事物 |
3.4 工具（Tools）
工具让 Agent 能够执行实际操作：
from langchain.tools import tool
@tool
def get_weather(city: str) -> str:
"""查询城市天气"""
# 实际调用天气 API
return f"{city} 今天晴朗，温度 25°C"
@tool
def search_web(query: str) -> str:
"""搜索网络信息"""
# 调用搜索 API
return "搜索结果..."
# 使用工具
tools = [get_weather, search_web]内置工具
LangChain 提供丰富的内置工具：
- 🔍 搜索: Google Search, Bing, DuckDuckGo
- 📊 计算: Wolfram Alpha, Calculator
- 💻 代码: Python REPL, GitHub
- 📁 文件: File System, Web Scraper
- 🗄️ 数据库: SQL Database, MongoDB
3.5 Agent（智能体）
Agent 是 LangChain 的核心，它能够自主决定使用哪些工具来完成任务：
from langchain.agents import create_agent
agent = create_agent(
model="claude-sonnet-4-6",
tools=[get_weather, search_web],
system_prompt="你是一个有帮助的助手，可以使用工具查询信息",
)
result = agent.invoke({
"messages": [{"role": "user", "content": "北京天气怎么样？"}]
})Agent 类型
| 类型 | 说明 | 适用场景 |
|---|---|---|
| create_agent | 现代推荐方式 | 通用场景 |
| ReAct | 推理 + 行动 | 需要多步推理 |
| Plan & Execute | 先计划后执行 | 复杂任务 |
| OpenAI Functions | 使用 Function Calling | OpenAI 模型 |
| Conversational | 对话式 Agent | 客服场景 |
3.6 检索器（Retrievers）
检索器用于从大量数据中查找相关信息：
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
# 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(
documents=docs,
embedding=embeddings
)
# 创建检索器
retriever = vectorstore.as_retriever(
search_type="similarity",
search_kwargs={"k": 3}
)
# 检索相关文档
relevant_docs = retriever.invoke("查询问题")四、实战：构建一个完整的 Agent
4.1 场景：智能研究助手
让我们构建一个能够研究主题、搜索信息、总结报告的智能助手。
from langchain.agents import create_agent
from langchain.tools import tool
from langchain_anthropic import ChatAnthropic
# 1. 定义工具
@tool
def search_topic(topic: str) -> str:
"""搜索特定主题的信息"""
# 实际实现会调用搜索 API
return f"关于{topic}的研究信息..."
@tool
def analyze_data(data: str) -> str:
"""分析数据并提取关键信息"""
return f"分析结果：{data[:100]}..."
@tool
def write_report(topic: str, findings: str) -> str:
"""撰写研究报告"""
return f"## {topic} 研究报告\n\n{findings}"
# 2. 创建 Agent
agent = create_agent(
model=ChatAnthropic(model="claude-sonnet-4-6"),
tools=[search_topic, analyze_data, write_report],
system_prompt="""你是一个研究助手，帮助完成以下任务：
1. 搜索主题相关信息
2. 分析收集到的数据
3. 撰写结构化的研究报告
请逐步完成任务，并在每一步说明你在做什么。""",
)
# 3. 使用 Agent
result = agent.invoke({
"messages": [{
"role": "user",
"content": "请研究量子计算的最新进展，并写一份报告"
}]
})
print(result["messages"][-1].content)4.2 添加记忆功能
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(
memory_key="chat_history",
return_messages=True
)
agent = create_agent(
model="claude-sonnet-4-6",
tools=[search_topic, analyze_data, write_report],
system_prompt="你是一个研究助手...",
memory=memory,
)
# 现在 Agent 可以记住之前的对话
result1 = agent.invoke({"messages": [{"role": "user", "content": "研究量子计算"}]})
result2 = agent.invoke({"messages": [{"role": "user", "content": "基于刚才的研究，总结三个关键点"}]})4.3 添加 LangSmith 追踪
import os
# 设置环境变量开启追踪
os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = "your_api_key"
os.environ["LANGSMITH_PROJECT"] = "research-assistant"
# 现在所有调用都会自动记录到 LangSmith
# 访问 https://smith.langchain.com 查看追踪五、最佳实践
5.1 Prompt 设计
✅ 好的 Prompt：
system_prompt = """你是一个专业的{role}。
## 能力
- 能力 1: 描述
- 能力 2: 描述
## 约束
- 约束 1
- 约束 2
## 输出格式
请按照以下格式回答：
1. 分析
2. 方案
3. 建议"""❌ 避免：
# 太模糊
system_prompt = "你是一个助手"
# 太长太复杂
system_prompt = "你是一个...（500 字）"5.2 工具设计
@tool
def search_weather(city: str, date: str = "today") -> str:
"""查询城市天气
Args:
city: 城市名称，如"北京"、"New York"
date: 日期，默认"today"，格式"YYYY-MM-DD"
Returns:
天气信息字符串
"""
# 清晰的文档字符串帮助 Agent 理解何时使用此工具
pass5.3 错误处理
from langchain.agents import AgentExecutor
executor = AgentExecutor.from_agent_and_tools(
agent=agent,
tools=tools,
handle_parsing_errors=True, # 自动处理解析错误
max_iterations=5, # 限制最大迭代次数
max_execution_time=60, # 限制执行时间
)5.4 性能优化
| 优化点 | 方法 |
|---|---|
| 减少 Token | 精简 Prompt，使用摘要 |
| 缓存 | 使用 LangChain 缓存中间结果 |
| 并行 | 并行执行独立的任务 |
| 流式 | 使用流式输出提升用户体验 |
六、常见问题
Q1: LangChain 和 LangGraph 有什么区别？
LangChain 是高层框架，适合快速构建标准应用；LangGraph 是底层编排引擎，适合复杂工作流。LangChain 的 Agent 底层使用 LangGraph。
Q2: 如何选择模型提供商？
- 追求性能: Claude (Anthropic), GPT-4 (OpenAI)
- 性价比: Claude Haiku, GPT-4o-mini
- 开源: Llama (Meta), Mistral
- 国内: 通义千问、文心一言、Kimi
Q3: LangChain 支持哪些语言？
- Python: 最成熟，功能最全
- JavaScript/TypeScript: 功能逐步完善
- 其他: 社区有 Java、Go 等非官方实现
七、学习资源
- 📚 官方文档: python.langchain.com
- 🎓 LangChain Academy: 官方免费课程
- 💬 Discord: LangChain 社区
- 🐙 GitHub: langchain-ai/langchain
💡 提示: LangChain 更新频繁，建议定期查看官方文档了解最新功能和最佳实践。