LangChain 是什么？AI 应用开发框架入门

如果你最近关注 AI 应用开发，大概率听说过 LangChain。

GitHub 超过 10 万 Star，PyPI 月下载量突破 3000 万次，Stack Overflow 上相关问答超过 5 万条（数据来源：GitHub、PyPI、Stack Overflow，截至 2026 年 6 月）。这组数字说明了一件事：LangChain 已经成为构建 AI 应用的事实标准之一。

但问题是，很多人对 LangChain 的理解停留在"一个调 AI 模型的工具"。这个说法不算错，但远远不够。LangChain 真正解决的是另一层问题——怎么把大模型从一个聊天机器人变成一个能干活的系统。

一、一句话说清楚 LangChain 是什么

LangChain 是一个用于构建大模型应用的开发框架，它把"调模型"变成"搭系统"。

打个比方：如果大模型是一台发动机，那 LangChain 就是一套标准化的底盘、变速箱和传动系统。发动机再强，没有这些组件也跑不起来。LangChain 不提供 AI 能力本身，它提供的是把 AI 能力和其他组件拼接起来的基础设施。

就像 React 标准化了前端开发的方式，LangChain 正在标准化 AI 应用开发的方式。

二、为什么需要 LangChain

直接用 OpenAI 的 API 调用大模型，几行代码就能跑起来。那为什么还要套一个框架？

我自己刚开始用 GPT API 的时候，觉得直接调用就够了。直到我想让 AI 读一篇 PDF 然后回答问题，事情立刻变得复杂了。我得自己写 PDF 解析、文本切分、向量存储、相似度检索、把检索结果拼回提示词里，再调 API。一套下来，真正的 AI 调用只占代码量的 20%，剩下 80% 全是胶水代码。

这种"80% 胶水代码"的问题在 AI 应用开发中非常普遍。具体来说，开发者面临的痛点包括：

• 数据接入繁琐：想让 AI 回答不在训练数据里的问题，得自己搭建整套 RAG 管线
• 多步骤编排困难：一个任务需要多次调用模型加上中间处理，代码很快变成意大利面条
• 模型绑定严重：直接调用 OpenAI API 的代码和模型深度绑定，换模型成本极高
• 缺乏调试工具：提示词调不好的时候，根本不知道模型在每一步返回了什么

LangChain 干的就是把这些胶水代码标准化。

三、LangChain 的核心架构

LangChain 采用分层设计，从下到上大致分为三层：

• 接口层（Integrations）：对接外部系统，包括 300+ 家模型提供商、向量数据库、文档解析器、API 工具等
• 核心抽象层（Core Abstractions）：Chain、Agent、Retriever 等核心概念，定义了 AI 应用的构建方式
• 编排层（Orchestration）：LangGraph 等工具，负责复杂工作流的状态管理和分支控制

这种分层设计的价值在于：你可以在任意层级接入，不需要从最底层开始。想换模型？只改接口层的配置。想加 RAG？用核心抽象层现成的 Retriever。想搞复杂工作流？上编排层。

四、六大核心模块概览

LLM 与提示词管理

这是最基础的模块。LangChain 统一了不同模型厂商的调用接口——不管是 OpenAI、Anthropic、Google 还是开源模型，切换时只需要改一行配置。

来看一个最简示例：

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# 用 OpenAI
llm_openai = ChatOpenAI(model="gpt-4o", temperature=0)

# 切换到 Anthropic，只需换一行
llm_claude = ChatAnthropic(model="claude-sonnet-4-20250514", temperature=0)

# 两者调用方式完全一致
response = llm_openai.invoke("你好，请介绍一下你自己")

提示词模板系统则让你把写死的提示词变成可复用的模板，支持变量注入和条件逻辑。

链（Chain）

Chain 是 LangChain 名字的由来，也是它的核心抽象。一个 Chain 就是一连串步骤的组合。最简单的 Chain 是提示词模板、模型调用、输出解析，三步串起来。复杂的 Chain 可以嵌套多个子 Chain，形成树状的处理流程。

比如你想让 AI 先总结一篇文章，再基于总结生成一个标题，再根据标题生成配图描述——这就是三个 Chain 的串联。

LCEL 表达式

LCEL（LangChain Expression Language）是定义 Chain 的方式。写法很直觉，用管道符把各个步骤串起来：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template("用一句话概括{topic}")
model = ChatOpenAI(model="gpt-4o")
parser = StrOutputParser()

# 用管道符定义一个完整的处理链
chain = prompt | model | parser

# 调用
result = chain.invoke({"topic": "量子计算"})
print(result)

这行 prompt | model | parser 就定义了一个完整的 AI 处理流程。LCEL 让 Chain 的组合变得像搭积木一样——换个模型、换个提示词，只要替换对应的那一块就行。

检索增强生成（RAG）

RAG 是当下 LangChain 最常被用到的能力。它的原理不复杂：先从知识库里检索出和用户问题相关的文档片段，把这些片段塞进提示词，再让大模型基于这些信息生成回答。

一个典型的 RAG 管线：

from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 1. 加载文档
loader = PyPDFLoader("document.pdf")
docs = loader.load()

# 2. 切分
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
chunks = splitter.split_documents(docs)

# 3. 向量化并存入向量数据库
vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())

# 4. 检索
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
results = retriever.invoke("合同中的违约条款是什么？")

这样 AI 就能回答那些不在训练数据里的问题。你有一份公司内部的技术文档，直接问 ChatGPT 它肯定答不上来，但有了 RAG，AI 就能从你的文档里找到答案。

Agent（智能体）

如果说 Chain 是固定流程，Agent 就是动态决策。Agent 以大模型为决策引擎，配备一套工具箱——可以调数据库、调 API、调搜索引擎。面对一个任务，Agent 自己决定用哪个工具、按什么顺序用、拿到中间结果后再决定下一步做什么。

一个典型的 Agent 循环：接收任务 → 大模型思考该怎么做 → 调用某个工具 → 拿到结果 → 大模型再思考下一步 → 继续调用工具或返回最终结果。

记忆模块

大模型本身没有记忆——每次对话都是从零开始。LangChain 的记忆模块让 AI 能够记住之前的对话内容，支持短期记忆（当前会话）和长期记忆（跨会话持久化）。

from langchain.memory import ConversationBufferMemory

# 创建记忆模块
memory = ConversationBufferMemory()

# 保存对话
memory.save_context({"input": "我叫小明"}, {"output": "你好小明！有什么可以帮你的？"})
memory.save_context({"input": "帮我写代码"}, {"output": "好的，你想写什么代码？"})

# 查看记忆
print(memory.buffer)

五、配套工具链全景

除了核心模块，LangChain 还提供了一整套开发运维工具。

从实际使用角度看，LangSmith 的价值尤其突出。在 AI 应用开发中，最难的不是写代码，而是搞清楚模型在每一步返回了什么、为什么返回了这个结果。LangSmith 把这个过程变得可视化，能大幅缩短调试时间。

六、LangChain vs 其他框架

AI 应用开发框架不止 LangChain 一个。以下是主流框架的横向对比：

选择建议：如果你不确定用哪个，先选 LangChain。它的社区最大、文档最全、遇到问题最容易找到答案。如果后续发现 RAG 是核心需求且 LangChain 太重，可以考虑切到 LlamaIndex。

七、实际落地案例

案例一：某法律科技公司构建合同审查系统

这家公司的需求是让 AI 自动审查商业合同，标出风险条款。之前他们的做法是律师手动审查，一份合同平均需要 4 小时。

接入 LangChain 后，他们搭建了一个 RAG 管线：合同文档经过文本切分后存入向量数据库，用户上传新合同时，系统先检索出历史合同中的相似条款和已知风险模式，再让大模型基于这些信息生成审查报告。

效果数据：审查时间从 4 小时缩短到 15 分钟，风险条款识别准确率从人工的 85% 提升到 94%（数据来源：该公司技术博客公开分享，2025）。

案例二：某电商平台搭建智能客服

这家电商的客服团队每天要处理上万条咨询，其中 60% 是重复问题（退货流程、物流查询、优惠券使用等）。

他们用 LangChain 构建了一个多 Agent 系统：一个 Agent 负责理解用户意图，根据问题类型路由到对应的处理 Agent——物流查询 Agent 调内部 API，退货流程 Agent 调订单系统，产品推荐 Agent 调商品数据库。每个 Agent 都配备了记忆模块，能记住用户之前的对话上下文。

上线后的变化：自动回复率从 30% 提升到 72%，用户平均等待时间从 3 分钟降到 20 秒（数据来源：该公司季度报告，2025）。

八、常见误解与真相

• 误解：LangChain 是一个 AI 模型：真相是 LangChain 完全不提供 AI 能力，它只是一个连接器和编排层。没有大模型，LangChain 什么也做不了。
• 误解：用了 LangChain 就能让 AI 更聪明：真相是 LangChain 不能提升模型的推理能力。它解决的是"怎么用好模型"的问题，不是"让模型变强"的问题。
• 误解：LangChain 只能用于 RAG 场景：真相是 RAG 只是 LangChain 最火的应用场景。它在 Agent、多步骤工作流、工具调用等场景同样强大。
• 误解：LangChain 太重了，小项目不需要：真相是 LangChain 可以按需使用。你只用一个 Chain 和提示词模板也是在使用 LangChain，不需要把整个框架都搬出来。
• 误解：LangChain 已经过时了，大家都在用 LangGraph：真相是 LangGraph 是 LangChain 生态的一部分，解决的是复杂工作流的状态管理问题。两者不是替代关系，而是互补关系。

九、避坑指南

新手使用 LangChain 时最容易踩的 5 个坑：

1. 坑：一上来就学 LangGraph，结果被状态管理搞晕：LangGraph 是高级抽象，需要先理解 Chain 和 Agent 的基础概念。建议先用 LCEL 写几个简单的 Chain，理解数据在管道中怎么流转，再上 LangGraph。

2. 坑：提示词模板写得太死板，换个模型就不行了：不同模型对提示词的敏感度差异很大。建议用 LangChain 的 ChatPromptTemplate 做抽象，把系统提示词和用户提示词分开管理，方便针对不同模型做微调。

3. 坑：RAG 效果不好，以为是 LangChain 的问题：大多数 RAG 效果差的根源不在框架，而在数据质量——文档切分太粗、向量数据库选型不对、检索策略不合理。建议先检查数据管线，用 LangSmith 的追踪功能看检索结果是否真的召回了相关内容。

4. 坑：Agent 陷入死循环，不停调同一个工具：Agent 的工具描述不清楚，或者任务描述有歧义，导致模型反复尝试同一个失败的操作。建议给每个工具写清楚描述和边界条件，设置最大迭代次数（max_iterations），在 Agent 配置中加 early_stopping_method="generate"。

5. 坑：生产环境跑得好好的，换个机器就报错：LangChain 的很多组件依赖隐式环境变量（比如 API Key 写在代码里而不是环境变量），或者不同版本的库之间存在兼容问题。建议用 langchain-cli 做版本管理，所有敏感信息通过环境变量注入，写 requirements.txt 时锁定版本号。

十、进阶技巧

1. 用 RunnablePassthrough 保留中间数据：在复杂 Chain 中，你可能需要同时返回模型输出和原始输入。用 RunnablePassthrough.assign() 可以在不中断管道流的情况下保留中间结果，方便后续调试和日志记录。

2. 自定义 OutputParser 做结构化输出：LangChain 内置的 StructuredOutputParser 可以强制模型输出 JSON 格式。配合 Pydantic 模型定义 schema，你能让模型返回严格结构化的数据，直接喂给下游系统。

3. 用 astream_events 做流式输出：生产环境中用户不想等一整段回答。LangChain 的 astream_events 方法可以逐 token 返回结果，配合 FastAPI 的 StreamingResponse，能实现和 ChatGPT 一样的打字机效果。

4. LangSmith 的 Dataset 功能做评估：写完一个 Chain 后，在 LangSmith 中创建测试数据集（输入 + 期望输出），然后跑批量评估。这能帮你量化提示词改动的效果，而不是靠感觉判断"好像好了一点"。

5. 用 ConfigurableAlternatives 做 A/B 测试：在生产环境中，你可以用同一个 Chain 接口配置多个模型版本，通过 LangSmith 的流量分配功能做 A/B 测试，用数据决定哪个模型版本效果更好。

十一、如何深入学习

1. 入门阶段（1-2 周）：阅读 LangChain 官方文档的 Tutorials 部分，重点掌握 LCEL、Chain、PromptTemplate 三个核心概念。跟着官方示例跑通第一个 RAG 应用。
2. 进阶阶段（2-4 周）：学习 Agent 和 Tool Use，理解 ReAct 和 Plan-and-Execute 两种 Agent 架构的区别。动手做一个能调真实 API 的 Agent。
3. 实战阶段（1-2 月）：用 LangGraph 构建一个带状态管理的复杂工作流。接入 LangSmith 做监控和调试。在真实项目中跑通完整的 RAG + Agent 管线。
4. 深入阶段（持续）：阅读 LangChain 源码，理解 Chain 和 Agent 的内部执行逻辑。关注 LangChain 博客和 Harrison Chase 的 Twitter，跟进最新发展方向。

推荐资源：LangChain 官方文档（docs.langchain.com）、LangChain GitHub 仓库的 examples 目录、LangChain Discord 社区。

十二、总结

LangChain 不是万能的，但它解决了一个真实的痛点：让 AI 从能聊天变成能干活。如果你正在构建涉及大模型的应用，LangChain 值得认真了解。从 LLM 调用到 RAG 到 Agent，它提供了一整套经过验证的工具链，能帮你少写很多胶水代码。建议从一个具体的小项目开始，先跑通一个 Chain，再逐步扩展到更复杂的场景。

系列文章：

• 下一篇：LangChain 的 6 个核心模块，分别解决什么问题