一.LangChain 和 LangGraph 介绍

LangChain 是⼀个用于开发由大语言模型（LLM）驱动的应用程序的框架。它通过将自然语言处理（NLP）流程拆解为标准化组件，让开发者能够自由组合并高效定制工作流。

LangChain 框架的设计精髓在于以链式（Chain）的方式整合多个组件，从而构建出功能丰富的大语言模型应用。链式表示 LangChain 允许将多个步骤或多个组件串联起来，无需各个组件各自完成其能力，而是一次性执行这个"链"上的所有流程。

LangChain 框架提供了一系列标准化模块与接口，主要包括以下方面：

统一的模型调用	通过抽象化的接口支持多种大语言模型（例如 OpenAI GPT-4/5、AnthropicClaude 等）和嵌入模型，使开发者可以灵活切换不同模型供应商
灵活的提示词管理	提供提示词模板（Prompt Templates），支持动态生成输入内容，并可管理少样本示例与提示选择策略，以提升模型响应质量
可组合的任务链（Chains）	允许将多个步骤串联成完整流程，如先检索文档再生成回复，或组合多次模型调用。开发者能够通过自定义链实现复杂的任务编排
上下文记忆机制（Memory）	用于存储多轮对话中的状态信息。LangChain 曾提供多种记忆管理方案（如对话历史记忆和摘要记忆），以实现连贯的交互体验（注：该功能目前已由 LangGraph支持，原有实现已过时）
检索与向量存储集成	支持从外部加载文档，经分割和向量化处理后存储至向量数据库，在查询时检索相关信息并输入大模型模型，帮助构建检索增强生成（RAG）类应用。LangChain 兼容多种主流向量数据库（如 FAISS、Pinecone、Chroma）和文档加载工具，简化知识库应用的开发流程

LangChain 框架的链式结构有一定的局限性：

1）链式流程通常是线性的、预先定义好的步骤，难以处理需要循环、分支或长期状态维护的复杂场景；

2）在构建多智能体协作、需要人工介入（Human-in-the-loop）或长时间行为的任务时，需要更灵活的工作流管理和状态持久化支持。

为了解决这些问题，LangChain 团队于 2024 年推出了 LangGraph 框架，旨在提供一种图结构的、状态化的方式来构建复杂的 AI 代理应用。

LangChain 团队将 LangGraph 定位为“低层次的编排框架”，用于构建可控、可靠的 AI 代理工作流。

LangGraph 并不是要取代 LangChain，而是对 LangChain 的扩展和补充。LangGraph 底层大量复用了 LangChain 的组件（如模型接口、工具、记忆等），开发者可以在 LangGraph 的节点中直接使用 LangChain 的链或代理作为子流程。

LangGraph 将应用逻辑建模为图（Graph）结构，其中：

节点	表示操作或状态
边	表示节点之间的转移和数据流

二.LangChain 软件包安装

LangChain 生态系统包含不同的包如下图：

1.主 langchain包

pip install langchain

2.langchain-core 包

这个包由 langchain 包自动安装，不需要再安装，但是如果要使用的功能仅在该依赖项的特定版本中可用，则可以选择这样做。

pip install langchain-core

3.Integrations 集成包

LangChain 的大部分价值来自于将各种能力进行集成，如各类模型集成（如 OpenAI 和 Anthropic）、各类组件集成（如数据存储、工具等）等。

LangChain 中集成好的包：Integration packages - Docs by LangChain

对于所需依赖项，我们需要单独安装。比如安装 deepseek 的：

pip install langchain-deepseek

4.langchain-community 包

pip install langchain-community

5.langgraph 包

langgraph 是一个库，用于使用 LLM 构建有状态的应用程序。

pip install langgraph

6.LangSmith SDK

LangSmith SDK 由 LangChain 自动安装。但它不依赖于 langchain-core ，如果需要，可以独立安装和使用

pip install langsmith

三.快速上手

1.简单使用

# 1. 定义大模型
model = ChatDeepSeek(model_name="deepseek-reasoner", api_key="你的API KEY")

# 2. 定义消息
# 系统提示消息 SystemMessage  通常作为第一条消息传入
# 用户消息 HumanMessage
# AI 消息 AIMessage
messages = [
    SystemMessage(content="Translate the following from English into Chinese"),
    HumanMessage(content="hi!")
]

# 3. 调用大模型
result = model.invoke(messages)
print(result)

# 4. 定义输出解析器组件
parser = StrOutputParser()
print(parser.invoke(result))

# 5. 定义链
chain = model | parser
print(chain.invoke(messages))

2.Runnable 接口

Runnable 接口是使用 LangChain Components（组件）的基础。

Runnable 定义了一个标准接口，允许 Runnable 组件：

Invoked（调用）	单个输入转换为输出
Batched（批处理）	多个输入被有效地转换为输出
Streamed（流式传输）	输出在生成时进行流式传输
Inspected（检查）	可以访问有关 Runnable 的输入、输出和配置的原理图信息
spected（检查）	可以访问有关 u able 的输入、输出和配置的原理图信息
Composed（组合）	可以组合多个 Runnable，以使用 LCEL 协同工作以创建复杂的管道

像上面的语言模型，输出解析器，都是 Runnable 接口的实例（组件）。

3.LangChain Expression Language

LangChain Expression Language（LCEL）：采用声明性方法，从现有 Runnable 对象构建新的Runnable 对象。

通过 LCEL 构建出的新的 Runnable 对象，被称为 RunnableSequence ，表示可运行序列。RunnableSequence 就是一种链。

重要的是， RunnableSequence 也是 Runnable 接口的实例 ，它实现了完整的 Runnable 接口。

# 原本的写法
model = ChatDeepSeek(model_name="deepseek-reasoner")
result = model.invoke(messages)

parser = StrOutputParser()
parser.invoke(result)

# 链写法
model = ChatDeepSeek(model_name="deepseek-reasoner")
# result = model.invoke(messages)

parser = StrOutputParser()
# parser.invoke(result)

chain = model | parser

LCEL 其实是一种编排解决方案，它使 LangChain 能够以优化的方式处理链的运行时执行。任何两个 Runnable 实例都可以“链”在一起成序列。上一个可运行对象的 .invoke（） 调用的输出作为输入传递给下一个可运行对象。

model 的输出结果当作 parser 的输入。

除了使用 | 运算符，还可以使用下面两种方法：

chain = RunnableSequence(first=model, last=parser)
chain = model.pipe(parser)