LangChain 是一个 **大语言模型（LLM）应用开发框架**
LangChain 是一个 大语言模型（LLM）应用开发框架，核心目标是解决 LLM 与外部工具、数据、流程的“连接与协同”问题，让开发者快速构建复杂的 AI 应用（而非仅调用单轮 LLM API）。其核心价值是“模块化”和“可组合性”，将 LLM 应用的关键组件拆分为独立模块，再通过“链（Chain）”和“代理（Agent）”串联成端到端流程。
一、LangChain 核心定位
- 解决 LLM 的原生局限：LLM 上下文有限、无法实时联网、不能直接操作外部工具（数据库、API）、缺乏长程记忆等。
- 核心能力：连接外部资源（数据、工具）+ 编排复杂流程（多步推理、记忆管理）。
- 适用场景：聊天机器人、问答系统（RAG）、数据分析、自动化工作流、智能代理等。
二、核心组件与核心使用场景
LangChain 的组件设计围绕“LLM 应用的全生命周期”展开，核心组件及对应使用场景如下：
1. 基础组件（必学）
| 组件 | 作用 | 常用工具/示例 |
|---|---|---|
| 模型（Models） | 接入 LLM（OpenAI、Anthropic、本地模型如 Llama 3）、嵌入模型（Embedding） | ChatOpenAI、LlamaCpp、OpenAIEmbeddings |
| 提示词（Prompts） | 管理提示词模板、动态填充变量、优化 LLM 输出 | PromptTemplate、FewShotPromptTemplate |
| 链（Chains） | 将“提示词 + 模型 + 输出处理”串联成多步流程（避免单轮调用） | LLMChain（基础链）、SequentialChain（顺序链） |
| 记忆（Memory） | 保存对话历史/上下文，支持多轮交互（如聊天机器人记住前文） | ConversationBufferMemory、ConversationSummaryMemory |
| 工具（Tools） | 让 LLM 调用外部工具（API、数据库、搜索引擎、代码解释器） | SerpAPI（搜索）、SQLDatabaseToolkit（数据库）、PythonREPLTool |
| 代理（Agents） | 让 LLM 自主决策“调用哪些工具、按什么顺序调用”（处理未知复杂任务） | AgentType.ZERO_SHOT_REACT_DESCRIPTION（零样本代理） |
| 文档加载与处理（Document Loaders/Processors） | 加载外部文档（PDF、CSV、网页）、分割文本（用于 RAG） | PyPDFLoader、RecursiveCharacterTextSplitter |
| 向量存储（Vector Stores） | 存储文档嵌入向量，支持相似性检索（RAG 核心） | Chroma（轻量本地）、Pinecone（云端） |
2. 高频核心使用场景（附极简示例）
场景 1：基础 LLM 调用 + 提示词模板（告别硬编码提示词）
核心需求：固定提示词结构，动态传入变量（如“根据产品名生成营销文案”）。
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain# 1. 初始化 LLM（需配置 OpenAI API 密钥）
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="your-api-key")# 2. 定义提示词模板（{product} 为动态变量）
prompt = PromptTemplate(input_variables=["product"],template="为产品「{product}」写一段 50 字内的电商营销文案，突出性价比和实用性。"
)# 3. 构建链（串联模板 + LLM）
chain = LLMChain(llm=llm, prompt=prompt)# 4. 运行（传入变量）
result = chain.run(product="无线快充充电宝")
print(result)
# 输出示例：“20W无线快充，10000mAh大容量，小巧便携不占地！兼容多数机型，性价比拉满，出门再也不怕没电～”
场景 2：多轮对话（带记忆功能的聊天机器人）
核心需求：让 LLM 记住对话历史（如用户先问“推荐手机”，再问“它的价格”，LLM 知道“它”指推荐的手机）。
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain# 1. 初始化 LLM 和记忆（ConversationBufferMemory 保存完整历史）
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="your-api-key")
memory = ConversationBufferMemory()# 2. 构建对话链（集成记忆）
conversation_chain = ConversationChain(llm=llm, memory=memory, verbose=True)# 3. 多轮交互
print(conversation_chain.run("推荐一款适合学生党的性价比手机"))
# 输出：推荐红米 Note 13 Pro...（略）print(conversation_chain.run("它的起售价是多少？"))
# 输出：红米 Note 13 Pro 起售价约 1799 元（8+256GB 版本），学生党预算友好...（LLM 记住了“它”指前序推荐的手机）
场景 3：检索增强生成（RAG）—— 基于私有文档问答
核心需求：让 LLM 基于你的私有数据（如公司文档、PDF）回答问题（LLM 本身没见过这些数据）。
RAG 核心流程：加载文档 → 分割文本 → 生成嵌入向量 → 存储到向量库 → 检索相关文本 → 拼接提示词 → LLM 生成答案。
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA# 1. 加载并分割文档（以 PDF 为例）
loader = PyPDFLoader("公司产品手册.pdf") # 你的私有 PDF 路径
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) # 分割成小块
splits = text_splitter.split_documents(documents)# 2. 生成嵌入并存储到向量库（Chroma 本地轻量向量库）
embeddings = OpenAIEmbeddings(api_key="your-api-key")
vector_db = Chroma.from_documents(documents=splits, embedding=embeddings, persist_directory="./chroma_db")
vector_db.persist()# 3. 构建检索链（检索相关文本 + LLM 回答）
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="your-api-key")
qa_chain = RetrievalQA.from_chain_type(llm=llm,chain_type="stuff", # 直接将检索到的文本拼接进提示词retriever=vector_db.as_retriever(k=3) # 检索最相关的 3 个文本块
)# 4. 基于私有文档问答
result = qa_chain.run("公司这款产品的核心功能有哪些？")
print(result)
# 输出：基于 PDF 内容的核心功能总结（LLM 仅用检索到的文档信息回答，不编造）
场景 4：智能代理（Agent）—— 让 LLM 自主调用工具
核心需求：让 LLM 自主决策处理复杂任务（如“查询今天北京的气温，再计算它与昨天的温差”—— 需要先调用搜索工具查气温，再做计算）。
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, Tool
from langchain.tools import SerpAPIWrapper # 搜索引擎工具（需 SerpAPI 密钥）# 1. 配置工具（这里用搜索引擎工具，可替换为数据库、API 等）
serp_api_key = "your-serpapi-key" # 从 SerpAPI 官网申请
search = SerpAPIWrapper(serpapi_api_key=serp_api_key)
tools = [Tool(name="Search",func=search.run,description="用于查询实时信息（如天气、新闻、股价等）")
]# 2. 初始化 LLM 和代理
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="your-api-key")
agent = initialize_agent(tools=tools,llm=llm,agent="zero-shot-react-description", # 零样本代理（无需示例，仅靠描述决策）verbose=True # 打印思考过程（便于调试）
)# 3. 运行复杂任务
agent.run("查询今天北京的最高气温，再查昨天的最高气温，计算两者的温差")
# 代理思考过程：
# 1. 需要先查今天北京最高气温 → 调用 Search 工具
# 2. 再查昨天北京最高气温 → 调用 Search 工具
# 3. 计算温差 → 直接计算（无需工具）
# 输出：今天北京最高气温 25℃，昨天 20℃，温差为 5℃。
三、LangChain 关键优势
- 生态丰富：支持主流 LLM（OpenAI、Anthropic、Google Gemini）、向量库（Chroma、Pinecone）、工具（SerpAPI、SQL、Slack）。
- 降低开发成本：无需从零实现记忆、检索、工具调用逻辑，直接组合组件。
- 可扩展性强：支持自定义组件（如自定义工具、提示词模板），适配复杂场景。
- 支持多语言：核心是 Python 库，也有 JavaScript/TypeScript 版本（LangChain.js）。
四、学习与实践建议
- 入门顺序：先掌握「Prompt + LLM + Chain」→ 再学「Memory」（对话场景）→ 重点突破「RAG」（企业常用）→ 最后学「Agent」（复杂任务）。
- 环境准备：
- 安装核心库：
pip install langchain langchain-openai chromadb pypdf（根据场景安装依赖） - 申请 API 密钥：OpenAI API、SerpAPI（搜索引擎）、Pinecone（云端向量库，可选）。
- 安装核心库：
- 避坑点：
- Agent 稳定性：复杂任务中 Agent 可能决策失误，需通过「提示词优化」「工具限制」「多轮校验」提升可靠性。
- RAG 效果：文本分割粒度、嵌入模型、检索策略会影响问答准确性，需调试优化。
- 成本控制：LLM API 和向量库存储有费用，测试时注意限制请求量。
总结
LangChain 不是替代 LLM，而是让 LLM “更有用”—— 它把 LLM 从“单轮文本生成工具”升级为“能联网、能操作工具、能记忆、能处理复杂流程的 AI 应用核心”。无论是快速搭建一个聊天机器人，还是开发企业级的私有文档问答系统，LangChain 都是目前最主流的选择之一。