第01章：LangChain使用概述

一、介绍LangChain

1.1 什么是LangChain

• LangChain 是 2022 年 10 月由哈佛大学 Harrison Chase 发起研发的开源框架，专注于开发大语言模型（LLMs）驱动的应用。它核心功能是串联 LLM、外部数据与工具，大幅降低开发门槛，可快速搭建智能体（Agent）、问答系统、对话机器人、文档搜索、企业私有知识库等应用，还支持集成 GPT、Claude 等主流 LLM，是当前 LLM 应用开发领域的热门工具之一；
• LangChain中的“Lang”是指 Language，即⼤语⾔模型，“Chain”即“链”，也就
  是将⼤模型与外部数据&各种组件连接成链；

📌LangChain在Github上的热度变化

📌LangChain在Github上的star

📌Github：https://github.com/langchain-ai/langchain

1.2 大模型应用开发框架

• LangChain：这些工具里出现最早、最成熟的，适合复杂任务分解和单智能体应用。其生态完善、插件丰富，支持多工具链整合，在prompt工程、智能体调度上积累深厚，是复杂场景落地的首选；

• LlamaIndex：专注于高效的索引和检索，适合 RAG 场景（注意不是Meta开发的）。核心聚焦非结构化数据的向量索引优化，支持多数据源接入和上下文精准关联，检索效率和召回率表现突出，是RAG场景的核心工具之一；

• LangChain4J：LangChain还出了Java、JavaScript（LangChain.js）两个语言的版本，LangChain4j的功能略少于LangChain，但是主要的核心功能都是有的。适配Java/JavaScript技术栈，虽插件生态和高级功能稍逊Python版，但覆盖智能体、链、工具调用等核心能力，满足后端开发者需求；

• SpringAI/SpringAI Alibaba：有待进一步成熟，此外只是简单的对于一些接口进行了封装。基于Spring生态构建，主打轻量化集成，但在复杂智能体设计、多工具协同上仍需完善，更适合简单场景快速调用，成熟度待提升；

• SemanticKernel：也称为sk，微软推出的，对于C#同学来说，那就是5颗星。深度融合微软生态（Azure、Office等），支持多语言开发，插件化设计、意图理解能力突出，对C#开发者友好，是.NET生态大模型应用的核心选型

1.3 LangChain资料介绍

📌官网地址：https://www.langchain.com/langchain

• 

📌官网文档：https://docs.langchain.com/oss/python/langchain/overview

• 

📌API文档： https://reference.langchain.com/v0.3/python/

• 

1.4 总体架构图

• V0.1 版本
  
• V0.2 / V0.3 版本
  

结构1：LangChain

• langchain：构成AI应用程序认知架构的核心组件集合，包括：
  • Chains：将LLM调用、工具执行等步骤串联成自动化工作流；
  • Agents：让AI自主决策调用工具、规划步骤，完成复杂任务；
  • Retrieval strategies：实现“检索增强生成（RAG）”的知识检索逻辑。
    简单说就是AI应用的“基础功能积木”，能快速搭建从问答到任务执行的流程。
• langchain-community：第三方生态集成层，提供各类外部能力对接：
  • 核心能力：Model I/O（适配不同大模型的输入输出格式）、Retrieval（对接各类知识库）、Tool&Toolkit（集成搜索引擎、数据库等工具集）；
  • 合作组件包：比如langchain-openai（对接OpenAI模型）、langchain-anthropic（对接Anthropic Claude模型）等；
• langchain-core：LangChain的基础抽象层，定义了核心组件的统一接口，同时包含LangChain表达式语言（LCL）——用简洁语法就能组合Chains、Agents等组件

结构2：LangGraph

• LangGraph是基于LangChain API的进阶封装，核心能力是多组件协作与工作流编排——能协调多个Chains、Agents、Tools，完成单组件无法处理的复杂任务（比如多智能体分工对话、跨工具的长流程任务），实现更高级的AI应用逻辑（如多角色协作的客服系统、复杂任务规划工具）

结构3：LangSmith

（官方文档：https://docs.smith.langchain.com/）
LangSmith是LangChain的“生产级工具链”，提供6大核心功能，覆盖AI应用从开发到运维的全链路：

• Debugging（调试）：追踪Chains/Agents的执行流程、中间结果，定位逻辑或性能问题；
• Playground（沙盒）：在线调试组件组合、测试prompt效果的可视化环境；
• Prompt Management（提示管理）：统一存储、版本管理不同场景的prompt；
• Annotation（注释）：给数据打标签，用于优化RAG知识库或微调模型；
• Testing（测试）：批量测试AI应用的准确性、响应速度等指标；
• Monitoring（监控）：生产环境中实时监控应用的运行状态（错误率、响应延迟等）

结构4：LangServe

• LangServe的核心作用是将LangChain组件服务化：把LangChain的可运行项（Chains、Agents等）部署为REST API，实现跨语言、跨系统的网络调用。
  比如Java项目无法直接调用LangChain（Python生态），就可以通过LangServe将LangChain应用打包为REST API，对外提供服务；同时LangServe还支持高并发、高稳定性，适合大规模部署场景

📌总结

LangChain生态中，LangGraph和LangSmith是最有前途的两个模块：

• 目前LlamaIndex等框架也能实现RAG，LangChain要在智能体（Agent）领域形成优势，需要LangGraph的多组件协作能力；
• LangSmith解决了AI应用的运维、监控、调试痛点，是LangChain落地生产的关键工具。
  二者共同支撑LangChain从“快速搭建工具”向“实用生产级框架”升级

二、 如何下载安装包

📌安装langchain包

方法1: 使用pip命令

基础指令

1 # 安装包（默认最新版）
2 
3 pip install langchain
4 
5 # 指定版本
6 
7 pip install langchain==0.37
8 
9 # 批量安装（有些分组）
10 
11 pip install langchain requests numpy
12 
13 # 升级包
14 
15 pip install --upgrade langchain
16 
17 # 卸载包
18 
19 pip uninstall langchain
20 
21 # 查看已安装包
22 
23 pip list

高级操作

1 # 国内镜像加速（解决下载慢）：-i 切换镜像源
2 
3 pip install -i https://mirrors.aliyun.com/pypi/simple/ langchain
4 
5 # 从本地文件安装:
6 
7 pip install ./local_package.whl
8 
9 pip install http://github.com/user/repo/archive/main.zip

方法2: 使用conda命令

1 # 安装包（默认仓库）
2 
3 conda install langchain
4 
5 # 指定通道（限conda-forge）
6 
7 conda install -c conda-forge langchain==0.37
8 
9 # 升级包
10 
11 conda update langchain
12 
13 # 卸载包
14 
15 conda uninstall langchain
16 
17 # 查看已安装包
18 
19 conda list

三、LangChain 的 helloworld

3.1 获取大模型

#导入dotenv库的load_dotenv函数，用于加载环境变量文件(.env)中的配置
import dotenv
from langchain_openai import ChatOpenAI
import os

dotenv.load_dotenv() #加载当前目录下的.env文件
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")

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

# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini") #默认使用gpt-3.5-turbo

#直接提供问题，并调用llm
response = llm.invoke("什么是大模型？")
print(response)

• 在当前工程下提供 .env 文件，文件中提供如下信息：

OPENAI_API_KEY1 = "    " #你自己的密钥
OPENAI_BASE_URL = "https://api.openai-proxy.org/v1"             #url是固定值, 统一写成这样

3.2 使用提示词模板

• 创建prompt template,并引入一些变量到prompt template中,这样在应用的时候更加灵活。

from langchain_core.prompts import ChatPromptTemplate

#需要注意的一点是，这里需要指明具体的role，在这里是system和用户
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术文档编写者"),
    ("user", "{input}") # {input}为变量
])

#我们可以把prompt和具体llm的调用和在一起。
chain = prompt | llm
message = chain.invoke({"input": "大模型中的LangChain是什么?"})
print(message)

# print(type(message))

3.3 使用输出解析器

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser,JsonOutputParser

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术文档编写者。 "),
    ("user", "{input}")
])

# 使用输出解析器
# output_parser = StrOutputParser()
output_parser = JsonOutputParser()

# 将其添加到上一个链中
# chain = prompt | llm
chain = prompt | llm | output_parser

# 调用它并提出同样的问题。答案是一个字符串，而不是ChatMessage
# chain.invoke({"input": "LangChain是什么？"})
chain.invoke({"input": "LangChain是什么？用JSON格式回复，问题用question，回答用answer"})