LangChain 大语言模型应用开发框架入门指南

一、什么是 LangChain？

LangChain 是由 Harrison Chase 于 2022 年创建的开源框架，目前已成为 Python 生态中最受欢迎的 LLM 应用开发框架之一，在 GitHub 上拥有超过 10 万 Star。2024 年 9 月发布的 LangChain 1.0 是一次重大重构，基于 LangGraph 运行时构建，引入了全新的 create_agent API 和中间件架构，同时承诺 1.x 系列的 API 稳定性。

它的核心目标是简化大语言模型应用的开发流程，让开发者能够像搭积木一样组合各种组件来构建复杂的 AI 应用。

传统上，直接调用 OpenAI、Claude 等大模型 API 只能实现简单的”一问一答”。但在实际场景中，我们往往需要让模型：

读取外部文档并基于文档内容回答问题（RAG）
调用搜索引擎、数据库、API 等外部工具
记住多轮对话的上下文
按照预定流程执行多步骤推理

LangChain 通过一套标准化的抽象层，将上述能力封装为可组合的模块，极大降低了开发门槛。

二、核心概念与架构

LangChain 1.0 的核心设计围绕以下几个关键概念展开：

2.1 Model I/O（模型输入输出）

这是 LangChain 最基础的组件，负责与各种 LLM 进行交互：

Chat Models：通过 init_chat_model 统一初始化，支持 OpenAI、Anthropic、Google 等数十家提供商
Prompts：使用 system_prompt 参数或 ChatPromptTemplate 管理提示词
Output Parsers：通过 response_format 参数实现结构化输出，底层自动处理解析

from langchain.chat_models import init_chat_model

# 统一初始化模型（支持 "provider:model" 格式字符串）
model = init_chat_model("openai:gpt-4o")

# 直接调用
response = model.invoke([
    {"role": "system", "content": "你是一个Python编程助手。"},
    {"role": "user", "content": "解释什么是装饰器"}
])

# 读取标准化内容块
for block in response.content_blocks:
    if block["type"] == "text":
        print(block["text"])

2.2 Retrieval（检索增强生成 / RAG）

RAG 是 LangChain 最核心的应用场景之一。它允许模型在回答问题时检索外部知识库中的相关文档，从而提供更准确、更及时的回答。

LangChain 的 RAG 流程包括：

Document Loaders：从 PDF、网页、数据库等多种来源加载文档
Text Splitters：将长文档切分为适合模型处理的文本块
Embeddings：通过 init_embeddings 统一初始化嵌入模型
Vector Stores：存储和检索向量数据，支持 Chroma、Pinecone、Milvus 等
Retrievers：统一的检索接口，支持相似度搜索、MMR 等多种检索策略

from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain.embeddings import init_embeddings
from langchain_chroma import Chroma

# 文档切分
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000, chunk_overlap=200
)
splits = text_splitter.split_documents(documents)

# 向量存储
embeddings = init_embeddings("openai:text-embedding-3-small")
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=embeddings
)

# 创建检索器
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

2.3 Chains（链）

在 LangChain 1.0 中，链的概念已融入 Agent 和中间件体系。对于简单的流水线任务，仍可使用 LCEL（LangChain Expression Language） 管道语法：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 将检索到的文档格式化为字符串
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

# 使用 LCEL 管道语法构建 RAG 链
rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

# 执行查询
result = rag_chain.invoke("LangChain 的核心组件有哪些？")

LCEL 使用 | 管道运算符连接各组件，语法直观且支持异步、流式输出、并行执行等高级特性。

2.4 Agents（代理）

Agent 是 LangChain 1.0 中最重要的抽象。新版通过 create_agent 提供极简的 Agent 创建入口，底层构建在 LangGraph 之上，原生支持持久化、流式处理和人在回路（Human-in-the-Loop）：

from langchain.agents import create_agent

# 定义工具（使用 Python 函数即可）
def get_weather(city: str) -> str:
    """获取指定城市的天气信息。"""
    return f"{city}今天晴，气温25°C。"

# 创建 Agent（极简入口）
agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="你是一个 helpful 的助手，可以查询天气信息。"
)

# Agent 会自主决定是否调用工具
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样？"}]
})

# 读取最终回答
for block in result["messages"][-1].content_blocks:
    if block["type"] == "text":
        print(block["text"])

2.5 Memory（记忆）

LangChain 1.0 使用**中间件（Middleware）**机制来管理对话记忆，替代了旧版的 Memory 类：

from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware

# 使用内置的总结中间件管理长对话
agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather],
    system_prompt="你是一个 helpful 的助手。",
    middleware=[
        SummarizationMiddleware(
            model="openai:gpt-4o-mini",
            trigger={"tokens": 1000}  # 当 token 数超过 1000 时自动总结
        )
    ]
)

此外，也可以通过自定义中间件实现更复杂的记忆逻辑，如持久化到数据库、按用户隔离会话等。

三、LangChain 1.0 生态系统

LangChain 1.0 对包结构进行了大幅精简，核心模块更加聚焦：

包名	用途
`langchain-core`	核心抽象层、LCEL、Runnable 协议、消息类型
`langchain`	主包，提供 `create_agent`、`init_chat_model` 等核心 API
`langchain-community`	社区维护的第三方集成（文档加载器、向量存储等）
`langchain-openai`	OpenAI 模型集成
`langchain-anthropic`	Anthropic Claude 集成
`langchain-chroma`	Chroma 向量数据库集成
`langchain-text-splitters`	文本切分工具
`langchain-classic`	旧版 Chains、Retrievers 等兼容包（如需迁移旧代码）

此外，还有两个重要衍生项目：

LangGraph：底层编排框架，用于构建有状态的、多角色的 LLM 应用，支持复杂的循环和分支控制流
LangSmith：LLM 应用的调试、测试、监控和评估平台

四、环境要求与安装

4.1 Python 版本要求

LangChain 1.0 要求 Python 3.10 或更高版本（不再支持 Python 3.9）。

# 检查当前 Python 版本
python --version

# 如版本过低，可使用 conda 创建新环境
conda create -n langchain-env python=3.11
conda activate langchain-env

4.2 核心依赖安装

# 核心框架（1.0 版本）
pip install langchain

# OpenAI 模型集成
pip install langchain-openai

# Chroma 向量数据库
pip install langchain-chroma

# 文本切分工具
pip install langchain-text-splitters

# 社区工具（文档加载器、搜索工具等）
pip install langchain-community

# 如需兼容旧版代码
pip install langchain-classic

提示：LangChain 1.0 承诺 API 稳定性，1.x 系列不再会有破坏性的变更。

4.3 API 密钥配置

# Linux / macOS
export OPENAI_API_KEY="your-api-key-here"

# Windows PowerShell
$env:OPENAI_API_KEY="your-api-key-here"

五、实战示例：构建一个文档问答系统

下面是一个基于 LangChain 1.0 的完整 RAG 文档问答系统：

from langchain.chat_models import init_chat_model
from langchain.embeddings import init_embeddings
from langchain_chroma import Chroma
from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 1. 加载文档
loader = WebBaseLoader("https://docs.python.org/3/tutorial/")
docs = loader.load()

# 2. 切分文档
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000, chunk_overlap=200
)
splits = text_splitter.split_documents(docs)

# 3. 创建向量存储
embeddings = init_embeddings("openai:text-embedding-3-small")
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=embeddings
)
retriever = vectorstore.as_retriever()

# 4. 构建提示词模板
template = """基于以下上下文回答问题。如果无法从上下文中找到答案，请如实说明。

上下文：
{context}

问题：{question}

回答："""

prompt = ChatPromptTemplate.from_template(template)

# 5. 初始化模型
model = init_chat_model("openai:gpt-4o")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

# 6. 构建 RAG 链
rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

# 7. 提问
answer = rag_chain.invoke("Python 中如何处理异常？")
print(answer)

六、为什么 LangChain 如此受欢迎？

降低开发门槛：通过统一的接口封装了数十种 LLM 和工具，开发者无需学习每个服务商不同的 API
模块化设计：各组件松耦合，可以根据需要灵活替换（例如从 OpenAI 切换到 Claude 只需修改模型字符串）
丰富的集成生态：支持数百种第三方工具，涵盖文档加载、向量存储、搜索引擎、代码执行等
API 稳定性承诺：1.0 版本承诺语义化版本控制，1.x 系列不再有破坏性变更
基于 LangGraph 的运行时：原生支持持久化、流式输出、人在回路等企业级特性

七、注意事项与局限

尽管 LangChain 功能强大，但在使用时也需要注意：

抽象层的学习成本：框架提供了大量抽象，初学者需要一定时间理解各组件的职责和协作方式
1.0 迁移成本：从 0.x 迁移到 1.0 需要调整部分 API（如 create_react_agent → create_agent、Memory → Middleware）
性能开销：对于简单场景，直接调用 LLM API 可能更高效
调试复杂性：当 Agent 行为异常时，排查问题需要借助 LangSmith 等工具

八、总结

LangChain 1.0 是 Python 生态中构建 LLM 应用的事实标准框架。通过 create_agent、init_chat_model 等极简 API，以及基于 LangGraph 的强大运行时，开发者可以快速构建从简单问答到复杂多代理协作的各类 AI 应用。1.x 系列的 API 稳定性承诺也让它更适合生产环境部署。

建议从官方文档的快速入门教程开始，动手实践一个 RAG 或 Agent 项目，这是理解框架设计理念的最佳方式。

九、参考资料

LangChain 官方文档：https://docs.langchain.com/
LangChain Python 开源仓库：https://github.com/langchain-ai/langchain
LangChain v1 迁移指南：https://docs.langchain.com/oss/python/migrate/langchain-v1
LangChain Python 包（PyPI）：https://pypi.org/project/langchain/
LangGraph 官方文档：https://docs.langchain.com/oss/python/langgraph/overview
LangSmith 平台：https://smith.langchain.com
ChatOpenAI 集成文档：https://docs.langchain.com/oss/python/integrations/chat/openai
Chroma 向量数据库：https://www.trychroma.com/
OpenAI 官方 API 文档：https://platform.openai.com/docs/

PythonLangChainAILLMRAG

发布于 2026-08-04，更新于 2026-08-17