一文看懂 LangChain：为什么火？核心模块都干啥？

LangChain 是构建大模型应用的超级积木，帮你把「Prompt + 工具 + 多轮对话 + 检索」这些零件像乐高一样快速组装起来。

---

LangChain 解决了什么问题？

传统方式	LangChain 提供了什么？
手写 prompt 拼接	✅ PromptTemplate，统一管理变量、格式
大模型 API 混乱	✅ LLM 模块封装 ChatGPT、通义、GLM
多轮记忆难实现	✅ Memory 自动管理上下文
工具调用太繁琐	✅ Tool + Agent 模块自动调度工具
RAG 链构建复杂	✅ Retriever + QAChain 一键搞定
多智能体交互难	✅ LangGraph、AgentType 支持多智能体流程

---

核心模块 8 连发

每一模块我们都用“是啥 / 有啥用 / 怎么用”来讲。

---

1. PromptTemplate：把 prompt 模板化、变量化

把 prompt 当做「模板引擎」，动态填入变量，构建标准输入。

🧠 能力总结：

• 把 你是一个{角色} 变成变量模板

• 搭配 RAG / 角色扮演 / 多轮对话，提示词更清晰

• 是 LLMChain、Agent 等模块的基础组件

🔥 示例：

template = "你是{domain}专家，请回答问题：{question}"
prompt = PromptTemplate.from_template(template)

🎯 适合：想要把 prompt 结构化、做组件化的开发者/产品

---

2. LLMChain：大模型调用链的最小执行单元

一句话总结：LLMChain = prompt + LLM + 一行 .run()。

🧠 能力总结：

• 把 prompt 和大模型绑定起来

• 自动格式化输入 → 请求模型 → 输出结果

• 可复用、可组合、可插入到 Agent 或流水线中

🔥 示例：

chain = LLMChain(prompt=prompt, llm=llm)
chain.run({"question": "LangChain 是什么？"})

🎯 适合：需要复用、组合、调用稳定模型流程的开发场景

---

3. Tool：把函数/能力变成 Agent 可调用的“工具”

Tool = “你暴露的一个能力”，比如查天气、查数据库、调用 API。

🧠 能力总结：

• 把函数包装起来，Agent 遇到任务自动调用

• 三要素：名称 + 函数 + 描述

🔥 示例：

tool = Tool(
    name="查天气",
    func=get_weather,
    description="输入城市名，返回天气情况"
)

🎯 适合：想让模型调用已有功能的项目（调用你司 API ？写报销单？）

---

4. Agent：大模型 + 工具 + 推理控制器

你可以理解为“自动调度工具 + 回答用户问题”的智能体。

🧠 能力总结：

• 自动判断何时调用哪个 Tool

• 支持多种 Agent 类型（ZeroShot、Function Call 等）

• 内置思考链（ReAct）、流程控制（AgentExecutor）

🔥 示例：

agent = initialize_agent(
    tools=[tool],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION
)

🎯 适合：构建多工具、多轮对话、需要动态推理的应用场景

---

5. Memory：让 Agent 记住“你刚刚说了什么”

没记忆的大模型只能一问一答，有记忆才能“连续对话”。

🧠 常见类型：

类型	特点
BufferMemory	存整段历史
SummaryMemory	自动总结上下文
TokenMemory	控制上下文 token 数量
WindowMemory	只记 N 轮

🔥 示例：

ConversationBufferMemory(memory_key="chat_history")

🎯 适合：对话机器人、连续问答、历史上下文强依赖的产品

---

6. VectorStore：文本转向量 + 存储

就是“文档数据库 + 向量搜索引擎”。

🧠 常用库对比：

向量库	特点
FAISS	本地库、轻量、速度快
Chroma	支持多字段、内置 DB
Weaviate	云端、支持多模态/图 UI
Milvus	分布式大规模查询

🔥 示例：

docsearch = FAISS.from_texts(texts, embedding)

🎯 适合：RAG、企业知识库、文本/代码搜索场景

---

7. Retriever：从向量库中找最像的文档

它是 VectorStore 的“搜索接口”。

🧠 能力总结：

• 支持 TopK 检索

• 搭配 RAG、QA 模块

🔥 示例：

retriever.get_relevant_documents("LangChain 是啥？")

---

8. RetrievalQA：一行代码跑通“基于知识库问答”

最简单的 RAG 构建方式，LangChain 的杀手级组件之一。

🔥 示例：

qa = RetrievalQA.from_chain_type(llm=llm, retriever=retriever)
qa.run("LangChain 是干嘛的？")

🎯 适合：快速接入“文档问答”功能

---

总结一句话：

LangChain = 「Prompt + 模型 + 工具 + 记忆 + 检索」的组件化框架，用来构建多轮对话、文档问答、Agent 应用的乐高积木库。

如何学习AI大模型 ？

“最先掌握AI的人，将会晚掌握AI的人有竞争优势，晚掌握AI的人比完全不会AI的人竞争优势更大”。 在这个技术日新月异的时代，不会新技能或者说落后就要挨打。

老蓝我作为一名在一线互联网企业（保密不方便透露）工作十余年，指导过不少同行后辈。帮助很多人得到了学习和成长。

我是非常希望可以把知识和技术分享给大家，但苦于传播途径有限，很多互联网行业的朋友无法获得正确的籽料得到学习的提升，所以也是整理了一份AI大模型籽料包括：AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、落地项目实战等 免费分享出来。

👉点击即可获取大模型学习包2024年最新版👈

1. AI大模型学习路线图

2. 100套AI大模型商业化落地方案

3. 100集大模型视频教程

4. 200本大模型PDF书籍

5. LLM面试题合集

6. AI产品经理资源合集

大模型学习路线

想要学习一门新技术，你最先应该开始看的就是学习路线图，而下方这张超详细的学习路线图，按照这个路线进行学习，学完成为一名大模型算法工程师，拿个20k、15薪那是轻轻松松！

视频教程

首先是建议零基础的小伙伴通过视频教程来学习，其中这里给大家分享一份与上面成长路线&学习计划相对应的视频教程。文末有整合包的领取方式

技术书籍籽料

当然，当你入门之后，仅仅是视频教程已经不能满足你的需求了，这里也分享一份我学习期间整理的大模型入门书籍籽料。文末有整合包的领取方式

大模型实际应用报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。文末有整合包的领取方式

大模型落地应用案例PPT

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。文末有整合包的领取方式

大模型面试题&答案

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。文末有整合包的领取方式

领取方式

这份完整版的 AI大模型学习籽料我已经上传优快云，需要的同学可以微⭐扫描下方优快云官方认证二维码免费领取！

。