LangChain

Aug 5, 2026

LangChain 是一个用于构建 大语言模型（LLM）应用 的开源开发框架。它最初主要支持 Python，后来也推出了 JavaScript/TypeScript 版本，目的是让开发者能够更方便地将大模型与外部数据、工具和业务流程结合起来，而不仅仅是简单地调用模型 API。

可以把它理解为：

如果 OpenAI、Anthropic 等提供的是“大脑”，那么 LangChain 提供的是把大脑连接到工具、数据库和业务系统的“神经系统”。

LangChain 能做什么？

它主要解决以下几类问题：

1. 统一调用各种大模型

不管你使用的是：

  • OpenAI GPT
  • Anthropic Claude
  • Google Gemini
  • DeepSeek
  • 本地模型（如 Llama）

LangChain 提供了统一的接口，方便切换模型，而不用大改代码。

例如：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4.1")
response = llm.invoke("介绍一下LangChain")

2. Prompt 管理

把 Prompt 模板化，而不是字符串拼接。

例如：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    "请把下面内容翻译成英文：{text}"
)

prompt.invoke({
    "text": "你好"
})

这样方便维护复杂 Prompt。

3. 连接外部数据（RAG）

这是 LangChain 最流行的用途之一。

例如：

PDF
Word
数据库
网页
知识库
       │
       ▼
 文档切分
       │
       ▼
Embedding
       │
       ▼
向量数据库
       │
       ▼
LLM回答问题

这就是大家常说的 RAG（Retrieval-Augmented Generation，检索增强生成）。

常用组件包括：

  • Document Loader
  • Text Splitter
  • Embedding
  • Vector Store
  • Retriever

4. 调用工具（Tools）

例如：

模型不会算：

345678 × 2345

它可以调用：

  • Python
  • 搜索引擎
  • 天气 API
  • 数据库
  • 企业接口

例如：

用户：
北京天气

↓

LLM

↓

Weather API

↓

返回天气

↓

LLM组织语言回复

5. Agent（智能体）

Agent 是 LangChain 的核心能力之一。

例如用户说：

帮我查一下苹果公司股价，然后写一份分析。

Agent 可以：

① 理解任务

↓

② 调用股票API

↓

③ 获取价格

↓

④ 分析数据

↓

⑤ 输出报告

Agent 会决定：

  • 是否调用工具
  • 调哪个工具
  • 调几次

6. Memory（对话记忆）

例如：

用户：
我叫Tom

AI：
好的。

用户：
我叫什么？

Memory 可以保存上下文。

不过，现代应用通常更倾向于自己管理对话历史，而不是依赖 LangChain 早期的 Memory 抽象。

LangChain 的核心模块

LangChain
│
├── Models（模型）
│
├── Prompts（提示词）
│
├── Chains（流程）
│
├── Tools（工具）
│
├── Agents（智能体）
│
├── Retrievers（检索）
│
├── Vector Stores（向量库）
│
└── Output Parsers（输出解析）

一个简单流程

例如：

用户提问

↓

Prompt

↓

LLM

↓

调用搜索工具

↓

LLM

↓

返回答案

或者：

用户

↓

RAG

↓

检索知识库

↓

LLM

↓

回答

LangChain 与其他框架的区别

框架特点适合场景
LangChain功能全面、生态成熟RAG、Agent、多模型集成
LangGraph基于状态机/图的 Agent 编排，更适合复杂、多步骤工作流多智能体、长流程应用
LlamaIndex更专注于数据接入和 RAG知识库问答、文档检索
OpenAI Agents SDK与 OpenAI 模型和工具深度集成基于 OpenAI 生态开发 Agent

LangChain 的优点

  • 支持多种模型，切换成本低。
  • 提供丰富的组件，覆盖 RAG、Agent、工具调用等常见场景。
  • 社区活跃，生态完善，与众多向量数据库、模型和第三方服务集成良好。

需要注意的地方

  • 学习曲线相对较陡，概念和组件较多。
  • API 在近几年迭代较快，不同版本之间可能存在较大变化。
  • 对于简单应用（例如单次调用模型），直接使用模型官方 SDK 往往更轻量，不一定需要引入 LangChain。

什么时候该用 LangChain？

如果你的项目只是：

  • 调用一次 LLM 完成聊天、翻译或总结；

直接使用模型官方 SDK 通常已经足够。

如果你的项目需要：

  • 接入企业知识库（RAG）；
  • 调用搜索、数据库、API 等外部工具；
  • 构建多步骤工作流或 Agent；
  • 在不同模型之间灵活切换；

那么 LangChain 能显著减少开发工作量，并提供更好的模块化能力。随着近年来 Agent 应用的发展，很多开发者也会结合 LangGraph 使用 LangChain，以构建更复杂、更可靠的智能体系统。

Vincent zhai
Vincent zhai
Full-Stack Engineer