读完这篇文章，你可以按层定位 LangChain Python 仓库，知道 langchain-core、langchain、langchain-classic、partners/*、standard-tests、model-profiles 分别解决什么问题，以及一条请求在 RAG 和 Agent 场景下是怎么流动的。
适合谁
工程实践者、技术负责人，或者刚接手 LangChain 代码库的人。如果你正在做 Agent、RAG、模型切换、Provider 适配，这篇会很有用。
阅读假设
本文基于当前 LangChain Python monorepo 结构整理，聚焦 libs/ 目录下的包关系，不展开 JS/TS 仓库，也不深入 LangSmith 和 LangGraph 独立产品能力。
01 背景：为什么很多人第一次看 LangChain 会觉得“又大又散”
LangChain 容易让人混淆，不是因为它设计混乱，而是因为它把“公共 API”“核心抽象”“第三方集成”“文本处理”“标准测试”“模型能力元数据”拆成了多个包。
如果你只盯着 pip install langchain 这个入口，很容易误以为所有能力都塞在一个包里。等到你开始看源码、做适配、排查问题，就会发现真正的结构是分层的。
更关键的是，LangChain 还有两套视角要同时看。
一套是仓库视角：代码放在哪一层，谁依赖谁。
另一套是运行时视角：一条请求从 Prompt 到 Model、从 Retriever 到 Answer、从 Agent 到 Tool Loop 是怎么跑起来的。
02 目标：把 LangChain 看成“分层架构 + 三条主线”
如果只用一句话概括，我会把 LangChain 理解成这样：
LangChain 不是一个“大而全”的单包，而是一套由 langchain-core 抽象协议、langchain 公共入口、partners/* Provider 适配、text-splitters 预处理工具、standard-tests 标准回归、model-profiles 能力画像组成的工程化体系。
在这个体系上，最值得抓住的三条运行时主线是：
• Prompt / Runnable / Model 组合主线
• RAG 检索增强主线
• Agent 工具调用主线
只要你把这四层结构和三条主线对上，LangChain 的整体架构就不再抽象。
03 方案总览：先看 monorepo，再看每条请求怎么流动
先看整体分层图。
图 1：LangChain Python monorepo 分层架构。它不是一个单体包，而是公共入口、核心抽象、集成适配与质量保障的组合。
从这张图里，可以先抓住 6 个判断：
-
langchain 是 v1 的公共入口，面向今天的新项目。
-
langchain-classic 是 legacy 包，承接旧链路、历史 API 和兼容逻辑。
-
langchain-core 定义核心抽象，例如 chat model、retriever、vector store、runnables。
-
partners/* 提供第三方 Provider 集成，比如 OpenAI、Anthropic、Ollama 等。
-
text-splitters 负责把长文档切成更适合索引和检索的 chunk。
-
standard-tests 和 model-profiles 不是“外围工具”，而是集成质量和能力元数据的一部分。
这也是为什么很多人在看 LangChain 时会犯第一个错误：明明想找“协议层”，却一直在“公共入口层”里兜圈子。
04 关键步骤：先拆公共入口和运行时组合层
如果你想理解一条普通 LLM 调用是怎么装起来的，最值得看的是 init_chat_model()、ChatPromptTemplate 和 RunnableSequence / LCEL 之间的关系。
图 2：init_chat_model() 负责把 Provider 适配包装配成统一的 BaseChatModel，而 prompt | model 会组合成 RunnableSequence。
这里最重要的不是 API 名字，而是职责边界：
• init_chat_model() 负责“统一入口”。你给它模型标识和 Provider，它去装配对应的集成包。
• BaseChatModel 负责“统一模型接口”。无论底层是 OpenAI、Anthropic 还是其他 Provider，运行时都尽量收敛到统一行为。
• ChatPromptTemplate 负责“把输入组织成消息”。
• RunnableSequence / LCEL 负责“把组件声明式地接起来”，并天然支持 invoke、stream、batch 这一类执行方式。
换句话说，LangChain 的关键价值不只是“帮你调一次模型”，而是把 Prompt、Model、Parser、Retriever、Tool 这些组件放进同一套可组合协议里。
下面这段代码就是最小骨架：
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
model = init_chat_model("openai:<your-chat-model>")
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是内部知识库助手。"),
("human", "{question}"),
]
)
chain = prompt | model
reply = chain.invoke({"question": "LangChain 的核心抽象是什么？"})
这段代码背后的重点不是 invoke()，而是中间那条 prompt | model。
这个竖线表达的不是“字符串拼接”，而是 LCEL 的组合语义。它意味着 LangChain 在运行时把 Prompt 和 Model 收敛成了一个 Runnable，所以你后面可以继续接 parser、retriever、fallback、history、trace config。
05 关键步骤：再看 RAG 和 Agent 两条主线
LangChain 最常见的两种业务线路，是 RAG 和 Agent。它们看起来都在“拿上下文再回答”，但本质上解决的是两个不同问题。
RAG 解决的是“如何把外部知识带进模型上下文”。
Agent 解决的是“如何让模型做决策、调用工具、管理状态并循环执行”。
先看 RAG。
图 3：RAG 的重点不是“检索一下就结束”，而是把索引阶段、检索阶段、答案合成阶段拆开。
这条链路里，建议记住 4 个动作：
-
用 text-splitters 把原始文档切成 chunk。
-
用 embeddings 把 chunk 向量化，写入 vector store。
-
通过 as_retriever() 把 vector store 暴露成 retriever。
-
用 create_retrieval_chain() 把“检索结果 + 问题输入 + combine_docs_chain”拼成一个可执行链。
一个足够小、但能对上架构图的骨架是这样：
from langchain_classic.chains import create_retrieval_chain
retriever = vector_store.as_retriever(
search_type="mmr",
search_kwargs={"k": 4}
)
rag_chain = create_retrieval_chain(retriever, question_answer_chain)
result = rag_chain.invoke({"input": "LangChain 的核心抽象是什么？"})
如果你用的是带对话历史的问答，链路会再多一层“history-aware retriever”。本质上它先把用户问题改写成更适合检索的独立问题，再把检索结果送给回答链。
再看 Agent。
图 4：create_agent() 不是简单返回一个函数，而是把模型、工具、状态持久化能力编译进一个基于 LangGraph 的执行图。
这张图最关键的地方有 5 个：
-
create_agent() 接收 system_prompt、tools、middleware、response_format 等装配输入。
-
它产出的不是一次性调用器，而是一个编译后的 StateGraph。
-
Model Node 先跑模型，如果输出里有 tool_calls，就进入 Tool Node。
-
Tool Node 执行完以后会把 ToolMessage 回灌给模型，形成循环。
-
checkpointer 和 store 负责线程级状态和跨线程共享状态。
最小骨架如下：
from langchain.agents import create_agent
def check_weather(location: str) -> str:
return f"{location}: sunny"
agent = create_agent(
model="openai:<your-chat-model>",
tools=[check_weather],
system_prompt="你是一个会调用工具的助手。",
)
for chunk in agent.stream(
{"messages": [{"role": "user", "content": "帮我查一下上海天气"}]},
stream_mode="updates",
):
print(chunk)
如果你把 RAG 和 Agent 放在一起看，会发现一个非常实用的区分标准：
RAG 更像“补上下文”。
Agent 更像“做决策和执行动作”。
很多系统会把两者组合起来，但不要在脑子里把它们混成一件事。
06 别忽略保障层：为什么 standard-tests 和 model-profiles 也属于架构
如果你只看运行时，很容易低估 LangChain 的工程性。
但在 monorepo 里，Provider 集成不是“写个 adapter 就完了”。它后面还有一套维护闭环。
图 5：一个 Partner 集成要稳定，不只要实现接口，还要跟上模型画像刷新和标准测试。
这张图对应的现实含义是：
• langchain-core 给出了接口契约。
• partner package 去实现这些契约。
• langchain-tests 提供标准测试基座，保证不同 Provider 至少在基础行为上可比。
• langchain-model-profiles 则负责把模型能力数据同步进集成包，让 .profile、structured output、tool calling 等能力判断更可靠。
这也是为什么我会把 standard-tests 和 model-profiles 视为“架构层的一部分”，而不是“辅助脚本”。
它们决定了 LangChain 不是只追求“能跑”，还追求“多 Provider 下仍然可维护、可回归、可扩展”。
07 踩坑与排雷
- 把 langchain 当成唯一入口。
现象是：想看抽象协议，却只在公共 API 上打转。解决方法是先判断你要看的到底是“接口层”还是“入口层”。看协议去 langchain-core，看公共装配去 langchain。
- 把 langchain-classic 当成新增功能主阵地。
langchain-classic 当然还能用，但它主要承接 legacy chains、历史 re-export 和兼容逻辑。做新功能时，优先看主 langchain 包。
- 做 RAG 时只盯着向量库，不看切分策略。
很多检索效果问题，不是 vector store 本身有问题，而是 chunk 太大、太碎，或者 history-aware retriever 根本没接上。
- 做 Agent 时只盯着模型，不看状态层。
当你需要中断恢复、跨轮次记忆、跨线程共享信息时，真正影响系统设计的是 checkpointer 和 store，而不是 prompt 再润色一下。
- 新增 Provider 适配只写代码，不补保障链路。
如果一个集成没有配套标准测试和模型能力元数据，它在多人协作和后续升级里会越来越难维护。
怎么验证你是真的看懂了
-
你能回答：langchain-core 和 langchain 的边界分别是什么。
-
能画出一条调用从 ChatPromptTemplate 到 RunnableSequence 再到 BaseChatModel 的路径。
-
你能说明 RAG 和 Agent 的分工差异。
-
你能说出新增一个 Provider 时，至少要看哪几层：接口、适配、标准测试、能力画像。
可复用清单（拿走就能用）
- 想看 v1 公共 API：先读 libs/langchain_v1
- 想看核心协议：先读 libs/core
- 想看 legacy / 兼容逻辑：再看 libs/langchain
- 想看文本切分：看 libs/text-splitters
- 想看 Provider 适配：看 libs/partners/*
- 想看统一回归：看 libs/standard-tests
- 想看模型能力元数据：看 libs/model-profiles
结尾：下一步怎么做
如果你准备继续读源码，我建议按这条顺序走一遍：
- 从 init_chat_model()
开始，理解公共模型入口怎么落到具体 Provider。
- 从 create_retrieval_chain()
开始，理解 RAG 为什么是“检索组件 + 合成组件”的组合。
- 从 create_agent()开始，理解 LangChain 为什么把 Agent 建模成图，而不是单次函数调用。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
437
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
