LangChain入门指南：轻松构建大模型应用（收藏版）

LangChain 概述LangChain是一个用于构建大语言模型LLM应用的开源框架通过模块化设计将 Prompt、Model、Memory、Chain、Agent、Tool 等核心组件有机组合使开发者能够快速构建复杂的 AI 应用。以下覆盖 LangChain 的框架定位、核心设计理念、版本演进以及生态系统。概念速览一、LangChain 是什么1.1 框架定位通俗理解如果把 LLM 比作一个聪明的大脑那么 LangChain 就是给这个大脑装上「手脚」的框架。光有大脑只能思考聊天装上手脚才能真正做事——查天气、搜网页、读文件、调用公司内部系统。LangChain 的官方定位是构建基于大语言模型的智能体和应用程序的最简单方式。LangChain 解决的核心问题1.2 LangChain 能做什么通俗理解光靠 ChatGPT 只能聊天但通过 LangChain你可以让 AI 查天气、搜网页、读文件、写代码、调用公司内部 API甚至自己决定该做什么。典型应用场景二、核心设计理念2.1 模块化像搭积木一样构建应用通俗理解LangChain 把构建 AI 应用所需的各种能力拆成了一块块「积木」你可以根据需求自由组合。需要记忆加上 Memory 积木。需要搜索加上 Retriever 积木。这种设计让开发变得灵活且可维护。LangChain 的核心设计哲学是模块化Modular、可组合Composable、可扩展Extensible。模块化的好处2.2 可组合用管道操作符串联流程LangChain 引入了LCELLangChain Expression Language使用管道操作符|将组件串联代码简洁直观# LCEL 风格声明式、可读性强chain prompt | model | parser# 等价于传统写法def chain(input): formatted prompt.format(input) response model.invoke(formatted) result parser.parse(response) return result关键理解LCEL 的核心是Runnable 协议所有组件都实现了统一的invoke/batch/stream/ainvoke接口这使得组件可以像水管一样自由连接。2.3 可扩展统一接口屏蔽厂商差异通俗理解无论你用 OpenAI、Claude、通义千问还是本地模型LangChain 都提供统一的调用方式。就像用 USB 接口一样不管插什么设备接口都是一样的。统一接口的价值•避免厂商锁定随时切换模型提供商•降低学习成本学一套 API适用所有模型•简化代码维护切换模型只需改一行配置三、版本演进3.1 版本历史概览版本说明截至 2026 年 2 月LangChain 当前版本为v1.2.8。3.2 各版本重点变化3.3 v1.0 重要更新Agent 创建方式的变化# v1.0 推荐方式统一 create_agent API底层基于 LangGraphfrom langchain.agents import create_agentfrom langchain_core.tools import tooltooldef get_weather(city: str) - str: 获取城市天气信息 weather_db { 北京: 晴天15-25°C, 上海: 多云18-28°C, } return weather_db.get(city, f{city}的天气暂不可用)# 创建 Agentagent create_agent( modelllm, tools[get_weather], system_prompt你是一个智能助手可以查询天气信息。)# 调用result agent.invoke({ messages: [{role: user, content: 北京天气怎么样}]})关键理解v0.3 的 Agent 底层基于 LangGraph 实现获得了持久化执行、流式传输、人机协作等高级能力。四、生态系统4.1 包结构全景通俗理解LangChain 把功能拆成了多个独立的包就像乐高积木分成不同系列。核心包是必须的集成包按需安装这样既保持轻量又能灵活扩展。4.2 核心包说明注意langserve已被官方建议弃用新项目推荐使用LangGraph Platform进行 API 服务部署。4.3 LangGraphAgent 的底层引擎LangChain 官方将产品分为三个层级Deep Agents开箱即用的高级 Agent→LangChain快速构建 Agent 和应用→LangGraph底层编排框架。简单应用用 LangChain复杂工作流用 LangGraph。LangChain 产品层级选择建议4.4 LangSmith生产环境的守护者通俗理解LangSmith 就像 LLM 应用的「监控摄像头」它能记录每一次调用的完整过程帮你定位问题、优化性能、评估质量。在生产环境中没有可观测性就像盲人摸象。LangSmith 核心功能启用 LangSmithimport os# 在代码最前面添加os.environ[LANGCHAIN_TRACING_V2] trueos.environ[LANGCHAIN_API_KEY] 你的 LangSmith API Key# 然后正常使用 LangChain追踪自动开启五、快速示例5.1 环境搭建# 创建虚拟环境推荐python -m venv langchain_envsource langchain_env/bin/activate # Mac/Linux# langchain_env\Scripts\activate # Windows# 安装核心包pip install langchain langchain-core# 根据使用的模型安装对应包pip install langchain-openai # OpenAIpip install langchain-anthropic # Claudepip install dashscope # 通义千问# Agent 必装v0.3 基于 LangGraphpip install langgraph# 可选环境变量管理pip install python-dotenv5.2 配置 API Key创建.env文件# OpenAIOPENAI_API_KEYsk-xxx# 通义千问DASHSCOPE_API_KEYsk-xxx# ClaudeANTHROPIC_API_KEYsk-xxx# LangSmith可选LANGCHAIN_TRACING_V2trueLANGCHAIN_API_KEYxxx5.3 第一个 LangChain 应用from dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserload_dotenv()# 1. 初始化模型model ChatOpenAI(modelgpt-4)# 2. 定义 Prompt 模板prompt ChatPromptTemplate.from_messages([ (system, 你是一位{role}擅长用简洁易懂的方式解释概念。), (human, 请解释{concept})])# 3. 定义输出解析器parser StrOutputParser()# 4. 用 LCEL 组合成 Chainchain prompt | model | parser# 5. 调用result chain.invoke({ role: 物理学教授, concept: 量子纠缠})print(result)4.4 第一个 Agentfrom langchain.agents import create_agentfrom langchain_core.tools import toolfrom langchain_openai import ChatOpenAI# 1. 定义工具tooldef get_weather(city: str) - str: 获取城市天气信息 weather_db { 北京: 晴天15-25°C, 上海: 多云18-28°C, } return weather_db.get(city, f{city}的天气暂不可用)# 2. 初始化模型llm ChatOpenAI(modelgpt-4)# 3. 创建 Agentagent create_agent( modelllm, tools[get_weather], system_prompt你是一个智能助手可以查询天气信息。)# 4. 调用result agent.invoke({ messages: [{role: user, content: 北京天气怎么样}]})print(result[messages][-1].content)关键要点回顾LangChain 是智能体工程平台让大模型能够调用工具、访问数据、执行任务而不只是聊天模块化设计是核心组件独立可用、自由组合、易于替换像搭积木一样构建应用LCEL 是推荐的编程范式使用管道操作符|声明式组合组件代码简洁可读v0.3 深度整合 LangGraphAgent 底层基于 LangGraph获得状态管理、人机协作等高级能力生态系统分层清晰core核心抽象→ langchain高层封装→ community/integrations集成→ langgraph运行时→ langsmith平台普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】