随着大语言模型Large Language ModelLLM的发展开发者已不再满足于简单对话场景而是希望将模型真正落地到业务系统中。开发初期直接调用模型API即可实现问答、摘要或简单助手等基础功能。随着需求复杂化系统开发复杂度迅速上升开发者需要自行处理检索、上下文拼接、流程编排、工具调用、状态管理等任务系统代码也变得越来越难以维护。为降低重复开发成本LangChain、LlamaIndex、Semantic Kernel等框架应运而生它们将常见能力抽象为可复用组件提升复杂应用的可维护性与可控性。在众多开发框架中LangChain起步较早且应用广泛。它将常见场景抽象为可复用组件例如可便捷实现知识库问答Retrieval-Augmented GenerationRAG也支持构建具备自主决策能力的智能体Agent使模型能够根据任务动态选择下一步操作并调用外部工具完成实际工作。由此模型不再局限于文本生成而是能够参与具体任务的执行过程。当然LangChain并非唯一选择不同框架在数据处理和工程集成等方面各具优势。但从入门角度看LangChain对RAG与Agent等核心范式覆盖较为全面。掌握其基本用法后再迁移到其他框架时整体思路大多相通无需从头搭建体系。基于此本文将以LangChain为例介绍该类开发框架的基本使用方法。⚠⚠⚠注意本文定位于入门导读不涉及完整的实战开发而是围绕Chain、Agent、Memory、RAG等核心概念系统梳理其应用场景与协作机制。建立基础认知后再结合实战教程进行实践将能够更高效地应用LangChain。LangChain的GitHub仓库地址为langchain-github。如需深入学习LangChain可参考LangChain官方文档langchain-docs以及技术文章GitHub 12w Star 神器一文详解大模型集成框架 LangChain。目录1 概述1.1 LangChain介绍1.2 环境准备2 基础使用2.1 基础模型2.1.1 Chat Model2.1.2 Embedding Model2.2 Message消息机制2.3 Prompt Template提示词模板2.4 Output Parser输出解析器2.5 Runnable的调用方式2.6 Bind方法3 核心组件3.1 Chains与LCEL3.2 Memory记忆机制3.3 Tools工具3.4 Agent智能体3.4.1 Agent的基本机制3.4.2 Agent的运行模式与示例4 检索4.1 Retrieval与RAG4.2 Retrieval流程5 LangChain 1.x总结6 参考1 概述1.1 LangChain介绍基础介绍LangChain于2022年10月作为面向LLM应用开发的开源项目发布最初主要适配GPT-3并在同年11月30日ChatGPT发布后迅速跟进持续扩展以支持更多模型。其核心优势在于模块化设计将复杂的LLM开发拆解为可复用组件使开发者能够灵活组合。基于这一设计LangChain不仅能够实现广为人知的RAG还支持智能体、流程编排、工具调用以及多模型协作等功能展现出良好的可扩展性。为了支撑这些能力LangChain对模型接口进行了抽象统一主要面向三类核心模型LLMs通常指基于大规模参数和海量文本训练的Transformer模型以单轮文本生成为核心输入输出通常为纯字符串更适合文本生成、翻译、摘要等一次性处理任务。Chat Models面向多轮对话场景输入输出采用结构化消息能够更好地表达角色、上下文和对话状态是当前主流的LLM应用形态。Embedding Models用于将文本、图片等非结构化数据转换为向量表示支持语义检索、相似度计算和向量数据库存储是RAG系统中的关键组件。LangChain通过统一模型接口屏蔽不同模型之间的API差异简化复杂逻辑编排并以链式结构和组件化设计让流程清晰可控。在这一基础之上它逐步发展成为一套完整的生态体系支持组件灵活组合并提供Agent、RAG以及调试、观测和评估工具。相比之下直接调用LLM API虽然上手更快但接口不统一复杂逻辑需要手动实现工具链和RAG也要自行搭建扩展和排查成本更高。本文基于langchain 1.x版本介绍langchain基础功能更多关于LangChain的系统性介绍可参阅Langchain 1.0.2全栈开发教程。生态结构LangChain并不是一个单一库而是一套面向LLM应用开发的框架体系整个生态大致可以分为架构层、组件层和部署层。架构层主要解决如何用统一方式构建应用。它包含三个基础包langchain提供Chains、Agents、检索等能力、langchain-core提供底层抽象、langchain-community集成第三方模型接口和工具扩展。为整合上述能力LangChain抽象出六类核心组件Model I/O处理模型输入与输出包括提示词组织、模型调用和结果解析Chains将多个步骤串联起来形成完整的任务流程Memory保存历史对话与上下文支持多轮交互Agents让LLM根据任务目标选择并调用合适的工具Retrieval从外部数据中检索信息是RAG的基础Callbacks记录和监控运行过程用于日志、调试和流式输出等。这些组件能支撑大多数基础场景比如简单问答、结构化输出、多轮对话和知识库问答。但当流程变复杂线性的Chains往往不够灵活一旦涉及分支判断、循环执行、并行处理或人工介入就需要引入组件层的能力典型代表是LangGraph和LangSmith。LangGraph将Chains扩展为图结构支持分支、循环、并行、状态持久化、断点恢复及人工介入适合复杂流程和多智能体场景。LangSmith则侧重调试与评估提供链路追踪、提示词管理、实验对比和运行监控等功能帮助定位问题并优化效果。应用构建完成后还需要对外提供服务这部分由部署层负责。LangServe可以将Chains或Agent封装为API并接入现有系统。它基于FastAPI实现部署成本较低适合将LangChain应用快速服务化。实际开发和学习可按LangChain起步、LangGraph应对复杂流程、LangSmith做调试优化的顺序推进。顺序学习内容对应能力1模型调用实现基础问答能力2Prompt Template规范并复用模型输入模板3Output Parser获取结构化输出结果4Runnable/LCEL统一组合模型、提示模板、解析器等组件5Chains构建多步骤串联处理流程6Memory支持多轮对话与上下文记忆保持7Tools接入搜索、数据库、API等外部工具能力8Agents根据任务目标自主选择并调用工具执行9Retrieval/RAG构建基于外部知识库的检索增强问答应用10LangGraph编排包含分支、循环、并行及多智能体协作的复杂流程11LangSmith对应用进行追踪、调试、评估与性能监控12LangServe将应用封装为API服务并部署运行1.2 环境准备本文基于Python开发环境采用LangChain 1.x版本进行实现。相较于早期0.x系列版本LangChain 1.x在API设计上发生了较大变化。LangChain核心库可通过以下命令进行安装pip install langchain在整体设计理念上LangChain 1.x更加注重数据流与工作流的构建能力。其关注重点已不再局限于单次模型调用而是聚焦于用户输入如何经过一系列可控的处理步骤最终生成稳定且可靠的输出结果。也就是说该版本更强调完整执行流程的组织与编排而非单一的模型对话能力。LangChain本身并不提供具体模型而是作为统一的调用框架用于对接外部模型服务。为了支持不同的模型提供方LangChain采用模块化设计使开发者可根据实际需求灵活集成相关组件。在具体使用中如果需要对接常用的OpenAI或兼容OpenAI协议的模型服务可以安装如下扩展包pip install langchain-openai如果使用Ollama作为本地LLM或嵌入LLM服务则可安装对应集成pip install langchain-ollama此外在应用开发过程中若涉及文本拆分、向量存储等功能还需要安装相关组件pip install langchain-text-splitters langchain-chroma
