大模型应用开发是一个快速演化的领域，作为应用开发框架的 LangChain 同样也经历着一个快速演化过程。

今天我们邀请了郑晔老师 ，让他带我们重新认识一下 LangChain。郑晔老师是极客时间多门课程的作者，也是一位有着 20 多年研发经验的技术老兵。ChatGPT 问世之后，他很快进入到 AI 应用开发领域，积累了丰富的理论和实战经验。他的第五季课程《程序员的 AI 开发第一课》已经全集上线，如果你感兴趣可以深度学习。

以下是正文：

👇👇👇

LangChain 是什么？

LangChain 是什么？大部分人的理解是，LangChain 是一个开发框架，用来开发各种基于大模型的应用。我们知道，大模型应用开发是一个快速演化的领域，作为应用开发框架的 LangChain 同样也经历着一个快速演化过程。

如果你在 2023 年学过 LangChain 这个框架，再来看 2024 年利用 LangChain 开发的代码，你可能会完全不认识了，因为这期间引入了新的代码表达方式。即便简单如 LangChain 是什么的话题，含义也在不断演化。

站在我写下这段文字的时间点（2024 年），理解 LangChain 有三个层次：

开发框架

社区生态

扩展生态

接下来，我们就从这三个层次来重新认识一下 LangChain。

开发框架

在 LangChain 的自我介绍中，开发框架依然是首要的身份认同。

LangChain is a framework for developing applications powered by large language models (LLMs).

作为一个框架，LangChain 最重要的价值是提供了一些开发应用所需的基础抽象和 LangChain 表达式语言。我们来看一段示例代码：

chain = model | parser

chain.invoke(messages)

这段代码的核心含义就是将一个一个组件组装到一起，形成一条链，然后，调用这条链。LangChain 应用的代码核心就是构建一条这样的链，这也是 LangChain 这个名字里 Chain 的含义。我们后面会看到的各种代码，本质上就是用各种组件组装出一条链来。

在这段代码中，用到的两个组件是模型和输出结果解析器。当我们把消息传给这条链时，它会先调用模型根据消息生成相应的内容，然后，把这个生成的内容传给输出结果解析器，解析成我们需要的格式。

这个例子里的模型（model）和输出结果解析器（parser）都是 LangChain 提供的基础抽象，类似这样的抽象，在 LangChain 框架中还提供了好很多，比如提示词模板、文档加载器、向量存储等。下一讲，我们会花些篇幅讨论核心的抽象，帮助你更好地理解 LangChain 的这些组件。

上面示例还有一个重点，就是这段代码本身的表达方式，也就是：

chain = model | parser

这就是 LangChain 表达式语言（LangChain Expression Language，简称 LCEL）的写法。原本用各种组件组装链是一个非常繁琐的过程，但自从 LangChain 引入了 LCEL 之后，通过管道符，也就是 | 进行组装之后，这个过程就变成了一个声明式的代码，代码的清晰程度一下子上了一个大台阶。

从本质上说，LCEL 就是 LangChain 的一种内部 DSL，引入 DSL 的目的就是要提升代码的表达性。关于 DSL 更多的内容，可以参考我的《软件设计之美》中的《11 | DSL：你也可以设计一门自己的语言》。

社区生态

我们可以把 LangChain 定义的基础抽象理解成一个一个的接口，但只有接口是无法完成任何工作的，我们还需要这些接口具体的实现。为了降低依赖程度，这些实现没有放在 LangChain 的核心框架中，于是我们就需要扩大对于 LangChain 的理解，把这些实现涵盖进来，这就是 LangChain 的社区生态。

社区生态包含了大量的各种实现，我们首先能想到的就是各种大模型，比如，OpenAI 的 GPT、Anthropic 的 Claude 等等，都有对应的实现，国内的很多大模型也有对应的实现，真正去查看一下，你就会发现，原来各种各样的大模型有这么多。

除了大模型，其它基础抽象都有很多实现，比如，向量数据库，有 Milvus、FAISS、Qdrant、Chroma 等等，文档加载既可以加载一个 Web 页面，也可以从诸如 S3、微软 OneDrive 加载，甚至从 Twitter、Telegram 加载内容。总之，针对不同的抽象，都有对应的实现，你可以根据自己的需要在 LangChain 的集成页面上找到对应的内容。

除了直接的代码实现，还有各种提示词模板。相比于其它的代码，提示词模板都是纯文本。LangChain 社区有一个专门的提示词社区。在这里，可以找到各种类别的提示词：实现 Agent 、代码编写、文档问答、内容总结，主流的提示词在这里都可以找到。而在编写代码的过程中，我们只要把它加载过来，就可以形成一个提示词模板：

prompt = hub.pull("hwchase17/react")

runnable = prompt | model

如果说前面提到的都是直接的 LangChain 抽象实现，那还有一批实现就跳出了直接实现接口的范畴，这就是工具。随着 Agent 的兴起，工具成为了扩展 AI 能力的一种重要手段。天下工具如此之多，社区支持就成为了最好的选择：搜索、代码解析、网页浏览、数据库集成等等，各种工具五花八门。

我们对待社区生态应该是照方抓药，用到哪个东西，就到社区里去找相应的实现，完全没有必要一一学习，毕竟数量实在是太多了。

扩展生态

LangChain 社区蓬勃发展，各种扩展层出不穷，但所有这些扩展都围绕着一个目标，如何构建一个链。除了构建链之外，还有什么其它事情可以做呢？

事实上，LangChain 团队确实在探索更多可做的事情，所以，在了解 LangChain 时，你会看到一些与 LangChain 相关的名字。这就是 LangChain 的拓展生态：

LangServe，它是把 LangChain 编写的链部署成 REST API 的一个工具。因为我们编写的应用多半是以服务的方式对外提供，LangServe 简化了 LangChain 应用服务化的门槛。不过，它更多地是面向 LangChain 的使用场景设计的，其提供的服务是否适合你的应用，还是需要根据你自己的情况评估。

LangSmith，它是 LangChain 团队提供的一个 SaaS 平台，帮助开发者调试、追踪、测试、评估和监控基于大模型的应用。

LangGraph，它提供了又一种构建 Agent 的方式，把 Agent 的状态流转构建成一个图。LangChain 团队甚至构建了一个 IDE：LangGraph Studio，简化这个图的构建过程。

拓展生态我就不做过多的介绍了，因为这个部分在开发社区的接受程度远远不如 LangChain 的开发框架和社区生态。你只要知道它们的存在即可，如果有需要再去深入了解。

如何使用 LangChain？

至此，我们已经对 LangChain 有了一个基础的了解。既然 LangChain 是一个开发框架，我们接下来是不是就是用 LangChain 写代码了，且慢！在开始写代码之前，我们还有些东西值得讨论。

首先，是否选择 LangChain 是一个问题。作为一个框架，LangChain 提供了一些抽象，但这里有一个问题，这些抽象是否合理可谓是见仁见智的一个问题。比如：

如果你的应用如果只需要对接 OpenAI 的模型，模型抽象对你来说就是多余的。顺便说一下，兼容 OpenAI API 的模型越来越多，这也降低了模型抽象的价值。

如果你的应用做的都是一次性工作，比如，翻译一句话，LangChain 模型中的记忆存储之类的抽象也是多余的。

虽然提示词模板不错，但像 Python 这样的语言本身也有字符串模板。

……

我看过一些开源项目的代码，他们虽然选择了 LangChain，但并没有选择 LangChain 的基础抽象，而是单纯地利用 LangChain 的代码，此外，它的社区生态很好地提供了各种集成，也降低了开发的难度。

即便是作为开发框架，LangChain 也不是社区里的唯一选择，像 LlamaIndex 这样的框架也可以成为构建大模型应用的选择。

其次，LangChain 是一个很好的学习材料。LangChain 是一个开发框架，而且提供了大量的示例。了解了 LangChain 之后，我们就可以充分利用 LangChain 资源学习如何编写各种大模型应用，无论是 RAG，还是 Agent，亦或是如何利用工具，我们都可以通过 LangChain 来学习。

在学习过程中，很重要的一个组成部分就是如何编写提示词，LangChain 的代码库里就有大量可以学习的提示词。当初我在学习如何利用工具的代码时，从中学到了 ReAct 提示词，也学到了提示工程如何与具体代码结合起来，大大地提升了我对 Agent 实现的理解。

好了，今天的分享就到这里。虽然在很多人眼中，LangChain 只是一个开发框架，但实际上，它已经形成了一个完整的生态，有社区生态，也有扩展生态。如果你有兴趣，可以课后看看它的集成页面，了解更多内容。

免费资料
另外，我还给大家准备了一套特别全的「AI 大模型学习资料包」，首次免费送给大家（买不买课都送）！
✅ AI 大模型学习路线图（2025 版）
✅ GeekAGI 知识库：DeepSeek、AI Agent 、MCP、AI 工具和框架、AI 提效案例
✅ AI 大模型面试题 300 道
✅ 26 套 AI 大模型行业研究报告
✅ 50+ AI 大模型必读电子书
 

👇👇扫码免费领取全部内容👇👇

 资料详细内容如下
福利 1：AI 学习路线图（2025版）
2025 年入门 AI 大模型该学什么，有这张图就够了！

福利 2：GeekGI 知识库
DeepSeek 知识库
AI Agent 知识库
1200+ AI 工具和框架
MJ、SD 等 AI 应用的一条龙教程
AI 经典开源项目、工作提效 / 副业变现案例

福利 3：AI 大模型面试题 300 道
包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG、Agent 面试真题…
福利 4：24 套技术大会 2025 年案例 PPT

👇👇扫码免费领取全部内容👇👇