第一章LangChain概述与环境准备（上）

第一章、LangChain概述与环境准备（上）

1、为什么需要 LangChain

1.1 开发者面临的现实痛点

在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能"使用"这些模型，还希望能将它们灵活集成到自己的应用中。但真正动手开发时，会发现事情远没有那么简单：

每一项单独做都不算太难，但当它们组合在一起时，你会发现自己80%的时间都花在了重复造轮子上，而不是业务逻辑本身。

1.2 有了API还不够吗？

不使用LangChain，确实可以直接调用模型API完成开发。下面用一个最简单的例子看看区别：

1.2.1 方式一：直接调用OpenAI API

importopenai# 需要自己管理对话历史、解析输出、处理工具调用......response=openai.chat.completions.create(model="gpt-4",messages=[{"role":"user","content":"你好"}])print(response.choices[0].message.content)

1.2.2 方式二：使用LangChain

fromlangchain_openaiimportChatOpenAI# 统一接口，支持流式、批处理、异步，换模型只改一行llm=ChatOpenAI(model="gpt-4")response=llm.invoke("你好")print(response.content)

这只是最简单的调用，差距还不明显。但一旦你需要加上记忆、工具调用、RAG、结构化输出，直接用API的代码量会呈指数增长，而LangChain始终保持简洁统一的写法。

1.3 LangChain到底帮你省了什么

一句话总结：LangChain 让你把精力从"怎么调API"转移到"怎么做产品"上。

2、什么是 LangChain

2.1 定义与背景

带着上面的痛点，我们来认识解决方案——

LangChain 是2022年10月由哈佛大学的 Harrison Chase（哈里森·蔡斯）发起研发的开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。

官方定义：LangChain 是构建由大语言模型驱动的应用程序的最简单方式。只需不到10行代码，即可连接OpenAI、Anthropic、Google等多种模型。LangChain提供了预构建的Agent架构和模型集成，帮助快速将LLM无缝集成到Agent和应用中。

历史背景：LangChain 的发布（2022年10月）比ChatGPT问世（2022年11月）还要早一个月，从这个启动日期也可以看出创始人的眼光，占了先机的它迅速获得广泛关注和支持！目前LangChain已成为大模型应用开发领域最流行的框架之一。

2.2 LangChain 能做什么

回顾第1节中的那些痛点，LangChain 对每一项都提供了开箱即用的解决方案：

2.3 LangChain 生态全景：LangChain vs LangGraph vs DeepAgents

LangChain 并不是一个孤立的库，它背后是一个三层架构的完整生态。这三层并非互相竞争，而是从底层到高层、层层构建的关系。官方分别称之为：Agent 运行时（Runtime）、Agent 框架（Framework）、Agent 套件（Harness）。

一句话理解层级关系

2.3.1 三者详细对比

2.3.2 如何选择？

你的需求是什么？
|
|— “我想快速搞一个能干活的智能体，不想操心架构”
|→ \rightarrow→用DeepAgents（几行代码，开箱即用）
|
|— “我需要自定义提示词、工具链、RAG流程，灵活组装”
|→ \rightarrow→用LangChain（核心框架，灵活+ ++生态丰富）←本课程重点
|
|— “我要精确控制每一步、需要审批节点/回滚/人工审核”→ \rightarrow→用LangGraph（企业级编排，控制力最强）

2.3.3 代码风格对比

LangGraph — 手动定义图结构（控制力最强）：

fromlanggraph.graphimportStateGraph graph=StateGraph(State)graph.add_node("research",research_node)graph.add_node("write",write_node)graph.add_edge("research","write")# 每一步流转都你说了算app=graph.compile()

LangChain — 使用框架抽象（灵活 + 标准化）：

fromlangchain_openaiimportChatOpenAIfromlangchain.agentsimportcreate_agent llm=ChatOpenAI(model="gpt-4")agent=create_agent(llm,tools=[search,calculator])agent.invoke({"messages":[{"role":"user","content":"..."}]})

Deep Agents — 开箱即用（最省心）：

fromdeepagentsimportcreate_deep_agent agent=create_deep_agent(model="openai:gpt-4",tools=[search],system_prompt="You are a research assistant")agent.invoke({"messages":[{"role":"user","content":"..."}]})

重要提示：三者层层构建——Deep Agents 建立在 LangChain 之上，LangChain 又建立在LangGraph 之上。无需了解 LangGraph 即可使用 LangChain 的基础功能，随着项目复杂度增长，可以随时向下钻一层获得更多控制权。

2.4 相关资源

GitHub地址：https://github.com/langchain-ai/langchain

官网地址：https://www.langchain.com/

官方文档：https://docs.langchain.com/

API 文档：https://reference.langchain.com/python/langchain/

3、LangChain 核心架构总览

前两节我们知道了"为什么需要 LangChain"以及"它是什么"。在动手写代码之前，先花两分钟建立一个全局视角——LangChain 内部到底有哪些模块、它们之间是什么关系。

3.1 架构分层图

3.2 三层模块速览

3.2.1 基础层 — “用什么说话”

这一层定义了 LangChain 与模型之间的通信协议，是所有上层功能的地基。

3.2.2 能力层 — “怎么做”

这一层提供了模型之上的核心能力组件，每个组件独立可用，也可自由组合。

3.2.3 应用层 — “做什么”

这一层是面向业务场景的顶层模块，组合下面两层的能力来解决实际问题。

3.3 模块间的协作关系

用一个实际场景来理解这些模块如何配合——“基于公司内部文档的智能问答机器人”：

用户提问：“我们公司的年假政策是什么？”∣ \mid∣∇ \nabla∇Prompts← \leftarrow←将用户问题嵌入提示词模板∣ \mid∣∇ \nabla∇

Retrieval ← 从向量数据库检索相关文档片段 | ▼ Models ← 将问题 + 检索结果发送给LLM | ▼ Structured ← 要求模型按指定JSON格式返回 Output | ▼ Memory ← 将本轮问答存入记忆，支持追问

当你需要模型在回答过程中自主决定是否检索、何时调用工具时，就把上面这条链交给 Agent 来编排——Agent 会根据模型的推理结果动态决定下一步。