作为 2022 年兴起的开源框架，LangChain 已成为大模型应用开发的核心工具之一，其 GitHub 星标量达 112k，月下载量超 5900 万次。本文结合尚硅谷 LangChain 教程核心内容，从框架认知、环境搭建到实战开发，带大家快速掌握 LangChain 的使用精髓。

一、LangChain 核心认知：不止是 "LLM 连接器"

1. 什么是 LangChain

LangChain 是由哈佛大学 Harrison Chase 发起的开源框架，专注于构建大语言模型（LLMs）驱动的应用程序。它就像 Spring 之于 Java、Django 之于 Python，为 LLM 应用开发提供了标准化的组件和流程，让开发者无需关注底层实现，专注于业务逻辑。

核心定位：连接 LLM 与外部数据、工具和组件，实现智能体（Agent）、问答系统、知识库等复杂应用的快速开发。

2. 为什么选择 LangChain

• 降低开发成本：统一不同 LLM 的调用接口，切换模型（如 ChatGPT、豆包、DeepSeek）无需修改核心代码

• 提供完整工具链：覆盖 Prompt 构建、记忆管理、工具调用、RAG 等全流程模块

• 支持复杂场景：原生支持链式调用、多智能体协作、检索增强生成等高级功能

• 生态成熟：兼容向量数据库、第三方 API、各类文件格式，社区资源丰富

3. 主流开发框架对比

开发语言	开发框架	stars 数量	核心优势
Python	LangChain	112k	功能最全、生态成熟，适合复杂任务
Java	LangChain4J	8.5k	核心功能完备，适配 Java 技术栈
C#	SemanticKernel	-	微软推出，专为 C# 开发者优化
Python	LlamaIndex	-	专注检索场景，RAG 性能突出

二、开发环境搭建：3 步快速上手

1. 前置知识要求

• Python 基础：掌握变量、函数、类、模块导入等核心语法

• LLM 基础：了解 Token、Prompt、Embedding 等基本概念

• 工具基础：熟悉 pip/conda 包管理，具备 PyCharm 等 IDE 使用经验

2. 环境配置步骤

（1）安装 Python 环境

推荐 Python 3.10 及以上版本，两种安装方式任选：

• 直接下载：Python 官网

• conda 安装：通过 Anaconda 创建独立虚拟环境（推荐，避免依赖冲突）

（2）安装核心依赖

# 基础安装（默认最新版）

pip install langchain

# 指定版本安装（推荐0.3.7稳定版）

pip install langchain==0.3.7

# 国内镜像加速（解决下载慢）

pip install -i https://mirrors.aliyun.com/pypi/simple/ langchain

# 安装配套依赖

pip install langchain-openai langchain-community faiss-cpu python-dotenv

（3）配置 API 密钥

创建.env文件存储密钥信息（避免硬编码）：

OPENAI_API_KEY1="你的API密钥"

OPENAI_BASE_URL="https://api.openai-proxy.org/v1"

3. 验证环境

import dotenv

from langchain_openai import ChatOpenAI

import os

dotenv.load_dotenv()

os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")

os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")

# 初始化模型

llm = ChatOpenAI(model="gpt-4o-mini")

# 测试调用

response = llm.invoke("LangChain的核心作用是什么？")

print(response.content)

三、核心组件详解：LangChain 的 "乐高积木"

LangChain 的核心优势在于模块化设计，六大组件覆盖 LLM 应用开发全流程：

1. Model I/O：模型输入输出管理

最基础也最常用的组件，负责标准化 LLM 的输入、调用和输出格式化：

• Prompt Template：提示词模板，支持变量注入

• Models：统一调用接口，兼容各类 LLM

• Output Parser：格式化输出结果（如 JSON、字符串）

示例：使用提示词模板和输出解析器

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import JsonOutputParser

# 创建提示词模板

prompt = ChatPromptTemplate.from_messages([

("system", "你是技术文档专家，输出格式要求：{format_instructions}"),

("user", "{input}")

])

# 初始化输出解析器

output_parser = JsonOutputParser()

# 构建链并调用

chain = prompt | llm | output_parser

result = chain.invoke({

"input": "什么是RAG？",

"format_instructions": output_parser.get_format_instructions()

})

print(result)

2. Chains：任务流程串联

将多个组件按逻辑串联成流程，核心类型包括：

• LLMChain：基础模型调用链

• SequentialChain：多链顺序执行

• RouterChain：根据需求自动选择合适的链

• RetrievalQA：结合检索的问答链

3. Memory：对话记忆管理

保存对话上下文，支持多轮交互，常用类型：

• ConversationBufferMemory：保存完整对话历史

• ConversationSummaryMemory：保存对话摘要（适合长对话）

• VectorStoreRetrieverMemory：基于向量数据库的记忆存储

4. Agents：智能体核心组件

LangChain 的高阶能力，实现自主决策和工具调用，核心组成：

• LLM：作为 "大脑" 提供推理能力

• Tools：外部工具（如检索器、API、数据库）

• Memory：上下文记忆

• Planning：任务规划和子目标分解

5. Retrieval：检索增强生成（RAG）

解决 LLM 知识冻结和幻觉问题，核心流程：

1. 文档加载（Document Loaders）：支持 PDF、Word、网页等多种格式

1. 文本分割（Text Splitters）：将文档拆分为语义块

1. 向量化（Embedding）：将文本转换为向量

1. 存储（Vector Store）：存入向量数据库（如 FAISS）

1. 检索（Retriever）：根据查询匹配相关文本

6. Callbacks：回调机制

用于监控和分析 LangChain 运行过程，支持日志记录、性能监控、流式传输等。

四、实战案例：构建 RAG 知识库问答系统

以民法典知识库为例，实现 "建设用地使用权" 相关问答：

1. 数据准备与加载

from langchain_community.document_loaders import WebBaseLoader

import bs4

# 加载网页文档（民法典相关页面）

loader = WebBaseLoader(

web_path="https://www.gov.cn/xinwen/2020-06/01/content_5516649.htm",

bs_kwargs=dict(parse_only=bs4.SoupStrainer(id="UCAP-CONTENT"))

)

docs = loader.load()

2. 文档处理与向量化

from langchain_text_splitters import RecursiveCharacterTextSplitter

from langchain_openai import OpenAIEmbeddings

from langchain_community.vectorstores import FAISS

# 文本分割

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)

documents = text_splitter.split_documents(docs)

# 向量化并存储到FAISS

embeddings = OpenAIEmbeddings(model="text-embedding-ada-002")

vector_db = FAISS.from_documents(documents, embeddings)

3. 构建检索问答链

from langchain_core.prompts import PromptTemplate

from langchain.chains import RetrievalQA

# 定义提示词模板

prompt_template = """

你是一个法律问答机器人，仅根据以下已知信息回答用户问题。

已知信息：{context}

用户问题：{question}

如果已知信息不足以回答，直接回复"我无法回答您的问题"。

"""

prompt = PromptTemplate(

template=prompt_template,

input_variables=["context", "question"]

)

# 构建检索器

retriever = vector_db.as_retriever(search_kwargs={"k": 3})

# 构建问答链

qa_chain = RetrievalQA.from_chain_type(

llm=llm,

chain_type="stuff",

retriever=retriever,

chain_type_kwargs={"prompt": prompt}

)

# 测试问答

result = qa_chain.invoke({"query": "建设用地使用权的设立方式有哪些？"})

print(result["result"])

4. 进阶：添加 Agent 智能调用

from langchain.tools.retriever import create_retriever_tool

from langchain.agents import create_openai_functions_agent, AgentExecutor

from langchain import hub

# 创建检索工具

retriever_tool = create_retriever_tool(

retriever,

"CivilCodeRetriever",

"查询民法典相关信息，必须使用此工具回答法律问题！"

)

tools = [retriever_tool]

# 加载Agent提示词模板

prompt = hub.pull("hwchase17/openai-functions-agent")

# 创建Agent并执行

agent = create_openai_functions_agent(llm, tools, prompt)

agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行Agent

agent_executor.invoke({"input": "建设用地使用权到期后怎么办？"})

五、常见应用场景与进阶方向

1. 典型应用场景

项目类型	技术要点	难度
文档问答助手	Prompt + Embedding + RetrievalQA	⭐⭐
智能日程规划	Agent + Tool + Memory	⭐⭐⭐
LLM + 数据库问答	SQLDatabaseToolkit + Agent	⭐⭐⭐⭐
企业知识库	VectorDB + LLM + Streamlit	⭐⭐⭐⭐⭐

2. 进阶学习方向

• LangGraph：构建复杂工作流和多智能体协作系统

• LangSmith：调试、监控和测试 LLM 应用

• LangServe：将 LangChain 应用部署为 REST API

• 微调（Fine-tuning）：结合 RAG 解决复杂领域问题

六、学习资源推荐

• 官网文档：Python LangChain Docs

• GitHub 仓库：langchain-ai/langchain

• 向量数据库：FAISS、Milvus、Pinecone

• 实战项目：医疗问答助手、电商智能客服、企业知识库

LangChain 降低了大模型应用开发的门槛，但要构建生产级应用，还需要深入理解各组件的底层逻辑和优化技巧。建议从简单的 RAG 项目入手，逐步掌握 Agent、LangGraph 等高级特性，最终实现复杂场景的落地。