什么是LangChain，大模型入门到精通，收藏这篇就足够了！

原创于 2025-11-25 10:04:35 发布 · 476 阅读

CC 4.0 BY-SA版权

文章标签：

#langchain #llama #机器学习 #人工智能 #python #LLM #Agent

什么是LangChain

在LangChain之前，如果你尝试构建一个企业级的LLM应用时，可能会遇到了这个问题：项目初期选择了GPT-4作为核心引擎，随着成本压力增大，决定切换到开源的Llama模型，结果发现几乎要重写所有代码——每个模型的API接口、prompt格式、上下文管理方式都不一样。

LangChain这个框架出现之后，以上的问题就变得相对简单了，它提供了一个统一的抽象层，让开发者可以像搭积木一样组装LLM应用，而不必被具体的模型实现细节束缚。

LangChain由Harrison Chase于2022年10月推出,仅用8个月就成为GitHub增长最快的开源项目，到2023年6月时Star数突破5万。IBM Technology将其列为AI开发者必学技术，超过54万人观看了他们的教程视频。

今天，我们系统地拆解LangChain的技术架构、核心组件和实战应用，帮助你快速掌握这个改变LLM应用开发范式的框架。

PART 01 - 传统LLM开发的三大痛点

模型锁定陷阱：被API绑架的开发者

在LangChain出现之前，开发LLM应用面临的最大问题是"模型锁定"。假设你用OpenAI的GPT-4构建了一个客服机器人，代码中充斥着OpenAI特定的API调用：

# 紧密耦合OpenAI API的旧代码import openairesponse = openai.ChatCompletion.create(    model="gpt-4",    messages=[{"role": "user", "content": prompt}],    temperature=0.7)answer = response.choices[0].message.content

这种直接调用看似简单，实则埋下隐患。当你想切换到Anthropic的Claude或本地部署的Llama模型时，需要：

修改API调用方式（每个厂商的接口不同）
调整prompt格式（不同模型对prompt的理解有差异）
重新处理输出格式（response结构各不相同）
适配上下文管理逻辑（token计数方式不统一）

这就像你的应用被"焊死"在某个特定的LLM上，迁移成本高到让人望而却步。许多团队因此放弃了性价比更高的开源模型，被迫继续使用昂贵的闭源API。

重复造轮子：每个项目都从零开始

即使你坚持使用同一个LLM，每次启动新项目仍然要重复实现基础功能：

Prompt管理：如何优雅地处理prompt模板？如何动态注入变量？
上下文维护：聊天机器人需要记住历史对话，怎么实现？
外部数据集成：如何让LLM访问企业内部文档、数据库？
输出解析：LLM返回的自然语言如何转换为结构化数据？

每个开发者都在重新发明这些基础组件，浪费大量时间在"脚手架"建设上，而不是专注于业务逻辑本身。更糟糕的是，这些自研组件往往不够健壮——没有考虑边界情况、缺少错误处理、无法应对复杂场景。

复杂工作流困境：链式调用的噩梦

实际业务场景往往需要多步骤的LLM交互。以一个智能文档分析系统为例，完整的工作流程包括：

从网站抓取内容
提取关键信息
总结核心要点
根据摘要回答用户提问

用原生API实现这个流程，代码会变成"意大利面条"：

# 混乱的多步骤调用raw_text = fetch_from_url(url)extracted = openai.ChatCompletion.create(...)  # 步骤1summary = openai.ChatCompletion.create(...)    # 步骤2answer = openai.ChatCompletion.create(...)     # 步骤3# 每个步骤都要手动处理：# - 提取上一步的输出# - 格式化为下一步的输入# - 错误处理和重试# - 日志记录和调试

这种方式不仅代码冗长，更致命的是缺乏可维护性。当你需要插入新步骤、调整顺序、或将某个步骤切换到不同的模型时，整个调用链都可能崩溃。

PART 02 - LangChain核心理念：抽象的力量

用抽象打破模型边界

LangChain的核心价值可以用一个类比来理解：它就像家里的恒温器。你只需要设定温度，不需要了解背后复杂的暖通系统如何工作——这就是抽象。在LangChain中，开发者只需声明"我要使用一个LLM"，具体是GPT-4、Claude还是Llama，只是配置参数的区别：

from langchain.llms import OpenAI, Anthropic, HuggingFaceHub# 统一的接口，切换模型只需改一行llm = OpenAI(model_name="gpt-4")           # 闭源模型# llm = Anthropic(model="claude-2")         # 另一个闭源模型# llm = HuggingFaceHub(repo_id="meta-llama/Llama-2-70b")  # 开源模型# 使用方式完全一致response = llm("请解释什么是量子纠缠")

这种设计的优势在于：

解耦依赖：应用代码与具体LLM实现隔离
灵活切换：A/B测试不同模型只需配置修改
成本优化：根据任务复杂度动态选择模型

链式思维：让LLM应用像流水线一样运行

LangChain的第二个核心创新是"Chain"（链）的概念。它将复杂的LLM任务分解为一系列可组合的步骤，每个步骤是一个独立的函数，上一步的输出自动成为下一步的输入：

from langchain.chains import LLMChain, SequentialChainfrom langchain.prompts import PromptTemplate# 第一步：提取文本信息extract_template = PromptTemplate(    input_variables=["url"],    template="访问{url}并提取主要内容")extract_chain = LLMChain(llm=llm, prompt=extract_template)# 第二步：生成摘要summary_template = PromptTemplate(    input_variables=["content"],    template="总结以下内容：{content}")summary_chain = LLMChain(llm=llm, prompt=summary_template)# 第三步：回答问题qa_template = PromptTemplate(    input_variables=["summary", "question"],    template="基于摘要{summary}，回答：{question}")qa_chain = LLMChain(llm=llm, prompt=qa_template)# 组装成顺序链full_chain = SequentialChain(    chains=[extract_chain, summary_chain, qa_chain],    input_variables=["url", "question"],    output_variables=["answer"])# 一行代码执行整个流程result = full_chain({"url": "https://example.com", "question": "核心观点是什么？"})

这种链式设计的优势：

模块化：每个步骤可独立测试和优化
可配置：不同步骤可使用不同的LLM（成本控制）
可扩展：轻松插入新步骤，如数据验证、格式转换
可观测：每个环节的输入输出都可记录，便于调试

六大核心模块：完整的工具箱

LangChain通过六大模块覆盖LLM应用开发的全流程：

1. LLM模块：统一的模型接口
支持几乎所有主流LLM：GPT系列、Claude、PaLM、Cohere，以及Llama、Mistral等开源模型。只需一个API key就能接入。

2. Prompts模块：智能提示词管理
Prompt Template类自动处理提示词的组装，支持变量注入、条件分支、Few-shot示例：

from langchain.prompts import FewShotPromptTemplateexample_prompt = PromptTemplate(    input_variables=["input", "output"],    template="输入: {input}\n输出: {output}")examples = [    {"input": "开心", "output": "😊"},    {"input": "悲伤", "output": "😢"}]few_shot_prompt = FewShotPromptTemplate(    examples=examples,    example_prompt=example_prompt,    prefix="将情绪转换为emoji：",    suffix="输入: {text}\n输出:",    input_variables=["text"])

3. Chains模块：工作流编排引擎
除了顺序链(SequentialChain)，还支持：

Router Chain：根据输入类型路由到不同的处理链
Map-Reduce Chain：并行处理大量数据，再汇总结果
Transformation Chain：在调用LLM前后进行数据转换

4. Indexes模块：外部知识接入
这是LangChain最强大的功能之一，解决"LLM如何访问私有数据"的问题：

Document Loaders

：从Dropbox、Google Drive、YouTube字幕、Airtable、Pandas、MongoDB等数百种数据源导入
Vector Databases

：支持Pinecone、Weaviate、Chroma、FAISS等向量数据库，实现高效语义检索
Text Splitters

：智能切分长文本，保持语义完整性

5. Memory模块：对话上下文管理
解决LLM"失忆"问题的多种策略：

ConversationBufferMemory：保留完整对话历史
ConversationSummaryMemory：用LLM总结历史，节省token
ConversationKGMemory：提取对话中的知识图谱
VectorStoreMemory：基于相似度检索历史

6. Agents模块：自主决策的智能体
Agent是LangChain的高级特性，让LLM成为"推理引擎"，自主决定下一步行动。

PART 03 - 实施部署完整指南

环境准备：30秒快速启动

系统要求

Python 3.8+ (推荐3.11)
8GB+ 内存
OpenAI API Key (或其他LLM provider)

一键安装

# 核心库pip install langchain# 根据需求选装pip install langchain-openai      # OpenAI集成pip install langchain-community   # 社区扩展（Document Loaders等）pip install langchain-cli          # 命令行工具pip install langserve              # API服务pip install langsmith              # 监控工具

验证安装

from langchain.llms import OpenAIimport osos.environ["OPENAI_API_KEY"] = "your-api-key"llm = OpenAI(temperature=0.9)print(llm("你好，LangChain!"))

核心代码：从零构建RAG问答系统

步骤1：文档加载与切分

from langchain.document_loaders import PyPDFLoader, TextLoader, WebBaseLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitter# 多种数据源加载loaders = [    PyPDFLoader("company_report.pdf"),    TextLoader("policy.txt"),    WebBaseLoader("https://www.example.com/docs")]documents = []for loader in loaders:    documents.extend(loader.load())# 智能切分（保持语义完整）text_splitter = RecursiveCharacterTextSplitter(    chunk_size=1000,        # 每块最大字符数    chunk_overlap=200,      # 块之间重叠，避免语义断裂    separators=["\n\n", "\n", "。", ".", " "]  # 优先级分隔符)split_docs = text_splitter.split_documents(documents)print(f"文档切分为 {len(split_docs)} 个片段")

步骤2：构建向量知识库

from langchain.embeddings import OpenAIEmbeddingsfrom langchain.vectorstores import FAISS  # 本地向量库，适合原型开发# 生成向量并存储embeddings = OpenAIEmbeddings()vectorstore = FAISS.from_documents(    documents=split_docs,    embedding=embeddings)# 持久化到本地vectorstore.save_local("faiss_index")# 之后加载# vectorstore = FAISS.load_local("faiss_index", embeddings)

步骤3：创建检索问答链

from langchain.chat_models import ChatOpenAIfrom langchain.chains import RetrievalQAfrom langchain.prompts import PromptTemplate# 自定义prompt模板template = """使用以下上下文回答问题。如果不知道答案，就说不知道，不要编造。上下文: {context}问题: {question}详细回答:"""QA_PROMPT = PromptTemplate(    template=template,    input_variables=["context", "question"])# 初始化聊天模型llm = ChatOpenAI(model_name="gpt-4", temperature=0)# 创建问答链qa_chain = RetrievalQA.from_chain_type(    llm=llm,    chain_type="stuff",           # "stuff"模式：将所有检索到的文档塞入prompt    retriever=vectorstore.as_retriever(        search_type="similarity",  # 相似度检索        search_kwargs={"k": 4}     # 返回top 4相关文档    ),    chain_type_kwargs={"prompt": QA_PROMPT},    return_source_documents=True   # 返回引用来源)

步骤4：交互式问答

def ask_question(question):    result = qa_chain({"query": question})    print(f"\n问题: {question}")    print(f"\n回答: {result['result']}")    print(f"\n引用来源:")    for i, doc in enumerate(result['source_documents'], 1):        print(f"{i}. {doc.metadata.get('source', 'Unknown')} - {doc.page_content[:100]}...")# 使用示例ask_question("公司去年的营收增长率是多少？")ask_question("哪些因素影响了销售业绩？")

PART 04 - 未来趋势与技术演进

LangGraph：状态管理的下一代

LangChain推出了LangGraph，解决复杂工作流的状态管理问题：

传统Chain的局限：

只能线性或简单分支
无法处理循环（如Agent的多轮推理）
状态难以持久化

LangGraph的创新：

from langgraph.graph import StateGraphfrom langgraph.prebuilt import ToolExecutor# 定义状态图workflow = StateGraph()workflow.add_node("agent", run_agent)workflow.add_node("tools", ToolExecutor(tools))# 条件边：根据Agent决策选择路径workflow.add_conditional_edges(    "agent",    should_continue,  # 函数决定下一步    {        "continue": "tools",        "end": END    })workflow.add_edge("tools", "agent")  # 工具执行后回到Agentapp = workflow.compile()

应用场景：

复杂决策流程（如贷款审批：收集信息→风控检查→人工复核→批准）
多轮对话（Agent反复调用工具直到解决问题）
可恢复任务（中断后从检查点继续执行）

多模态LangChain：视觉+语言

LangChain正在集成多模态模型（如GPT-4 Vision）：

from langchain.chat_models import ChatOpenAIfrom langchain.schema.messages import HumanMessagellm = ChatOpenAI(model="gpt-4-vision-preview")message = HumanMessage(    content=[        {"type": "text", "text": "这张图片显示了什么？"},        {"type": "image_url", "image_url": "https://example.com/chart.png"}    ])response = llm.invoke([message])# "这是一张柱状图，显示2023年Q1-Q4的销售数据，Q4达到峰值..."

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇