1.1 从传统应用到智能体时代#

1.2 单一的大语言模型的局限性#

要构建真正实用的 AI 应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合，从而催生了 LangChain 框架的设计理念。LangChain，是当前构建生产级 AI 智能体系统的首选。

1.3 LangChain 框架的定位#

LangChain 作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。

核心定位三点：

1. 打通大模型与外部资源：统一接口对接数据库、检索引擎、API、文件系统等；
2. 封装底层复杂逻辑：抽象工具调用、记忆等能力，降低智能体开发难度；
3. 支撑多智能体协作：依托 LangGraph 等生态，从单智能体拓展至多智能体协作，可构建工业级智能体。

1.4 LangChain 的应用场景#

1.5 大模型相关岗位介绍#

应用开发是大模型最值得关注的方向：应用为王！学习 LangChain 框架，高效开发大模型应用。

2.1 LangChain 的发展时间线#

• 第1阶段：诞生（2022年10月）：哈佛大学的机器学习项目工程师 Harrison Chase（哈里森·蔡斯）创建了由大语言模型驱动的应用程序的开源框架 LangChain。其名称来源于 “Language”（语言模型）和 “Chain”（链式连接）的组合，体现了其核心设计理念——链接大语言模型与其他各种计算资源和数据，构建强大的 AI 应用。
• 第2阶段：探索期（2022年Q4—2023年Q1）：LangChain 初版发布，主要聚焦于 PromptTemplate、LLMChain 等基础模块。凭借前瞻性设计在开源社区迅速走红，GitHub Star 数快速破万，成为早期最受关注的大模型应用框架。
• 第3阶段：体系化阶段（2023年Q2—2023年Q4）：引入 Tool、Agent、Retrieval 等概念，形成“大模型 + 工具调用 + 记忆”的核心架构，支持构建完成更复杂任务的自动化智能体。同期推出 LangChain Hub 与 LangSmith，初步构建了从开发、调试到部署的生态闭环。
• 第4阶段：平台化阶段（2024年—2025年上半年）：LangGraph 与 LangServe 的发布是这一阶段的标志。LangGraph 为工作流管理提供了有向图基础，而 LangServe 则解决了服务化部署的难题。至此，LangChain 生态完成了从开发框架到智能体平台的跃升。
• 第5阶段：深层智能体阶段（2025年下半年至今）：正式推出 Deep Agent，官方定位为 Agent Harness（智能体执行框架），在 LangGraph 和 LangChain 之上运行，标志着 LangChain 生态进入新阶段，让开发者可构建基于多智能体的复杂化智能体系统。

2.2 LangChain 的两个重要版本#

1、LangChain v0.3 版本：既爱又恨

长期以来，LangChain 因为 API 变动频繁而被开发者戏称为“版本碎钞机”。

一方面，2024 年是 LangChain 架构重大变革的一年，LangChain 团队推出了 LangGraph 作为底层智能体编排框架，并将原有的链和智能体标记为弃用，转而采用基于 LangGraph 构建的统一智能体抽象。

另一方面，GPT-4 逐渐普及，包括调用外部工具（Function calling）、结构化输出、系统提示词等功能都成了模型的基础功能。而对于开发者而言，此时再使用 LangChain 对这些功能进行封装就显得多此一举。这个阶段，LangChain 的开发者大规模流失。

2、LangChain v1.x 版本：AI 开发新范式

在经历了短暂的阵痛后，LangChain 进行了一次彻底的架构重构与瘦身。

2025 年 10 月 20 日，LangChain 团队正式发布了第一个正式大版本：LangChain v1.0.0 与 LangGraph v1.0.0。这是 AI 智能体（Agent）开发领域的里程碑事件，标志着框架的成熟和标准化，为企业级 AI 应用提供了稳定基础。

官方首次明确 API 稳定保证：承诺在 2.0 版本前无破坏性变更。这种稳定性对于企业级应用至关重要。

发布同期完成 1.2 亿美元融资，估值超 12 亿美元，印证其作为 AI 基础设施的战略价值。

小结：LangChain v0.3 与 v1.2 对比

2.3 LangChain v1.2 的主要模块#

• langchain-core：官方推荐的核心 API，比如 Runnable、BaseMessage 等；
• langchain-classic：冗余代码或不推荐使用的经典 API 移到此，比如 0.x 中常用而 1.x 移除的 API 都在这里；
• langchain-community：第三方集成，比如合作伙伴包 langchain-openai、langchain-anthropic 等，按需安装、避免臃肿；
• langgraph：深度整合 LangGraph 1.0，协调多个 Chain、Agent、Tools 完成更复杂的任务，并且还支持循环调用，是 langchain 图形化的增强版。

参考：https://reference.langchain.com/python/langchain/overview

不要试图去学完 LangChain 的所有 API，那是不可能的。你只需要搞懂它的核心逻辑与核心模块，其它的用到什么再去查什么。把它当成一个工具箱，而不是一本教科书。

2.4 API 文档#

• 官网：https://www.langchain.com/
• GitHub 地址：https://github.com/langchain-ai
• 中文文档地址：https://docs.langchain.org.cn/oss/python/langchain/overview
• 英文文档地址：https://docs.langchain.com/oss/python/langchain/overview
• API 文档查询地址：https://reference.langchain.com/python/langchain/

3.1 LangChain：智能体开发的基石#

LangChain 是整个生态的核心与起点，为开发者提供了模型调用、工具与中间件集成、智能体构建等一整套基础能力。其核心价值如下：

• 统一的模型抽象层：屏蔽了不同模型服务提供商（如 OpenAI、Anthropic、Ollama 等）的接口差异，提供一致的调用方式；
• 高度模块化的设计：使用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩展；
• 丰富的集成生态：预置了丰富的数据源、API、中间件等，构成了强大的 AI 能力枢纽。

在整体架构中，LangChain 如同智能体的操作系统内核，是所有上层能力构建的基础。

结论：如果你需要构建简单的智能体应用，无需复杂的编排需求，那就选择 LangChain。

3.2 LangGraph：复杂工作流的编排引擎#

当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时，LangGraph 应运而生。其核心思想是将智能体内部抽象为一张有向图：

• 节点（Node）：代表独立的功能单元或决策点；
• 边（Edge）：定义了节点之间的流转条件与路径；
• 状态（State）：作为一个共享上下文，在节点间传递并持久化存储任务信息。

通过这种图式结构，LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。官方也强调“快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同”。

通俗理解：

• LangChain = 能力抽象层（LLM / Tool / Message 标准化），负责“有什么能力”；
• LangGraph = 执行与编排层（状态机 / 工作流 / 多 Agent 系统），负责“怎么跑”。

3.3 Deep Agent：智能体的执行框架#

Deep Agent 是新推出的全新组件，被定位为 Agent Harness（智能体执行框架）。它构建于 LangChain 与 LangGraph 之上，增加了规划能力、文件系统、子 Agent 等高级功能，旨在让开发者无须从零构建复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体。

Deep Agent 的核心能力如下：

• 显式规划：自主生成、执行并动态调整多步任务计划；
• 虚拟文件系统：为智能体提供结构化的中间结果与知识存储；
• 子智能体：支持任务在多个智能体之间的分解与协作；
• 长期记忆：通过与 LangGraph 状态存储的结合，实现跨对话的经验积累；
• 可扩展中间件：允许嵌入安全审计、性能监控或自定义业务逻辑。

3.4 三者的关系#

三个框架不是竞争关系，并非互斥，复杂项目完全可以同时用到这三层。

从 LangChain 快速搭建，用 LangGraph 打磨生产稳定性，再用 Deep Agents 赋予 Agent 更强的自主能力——这才是完整的 LangChain 生态玩法。

官方对比文档：https://docs.langchain.com/oss/python/langchain/overview

3.5 LangSmith：可视化监控与测试平台#

当智能体系统逐渐复杂时，单靠日志与打印输出（print）调试已无法满足调试与质量管理的需求。LangSmith 是 LangChain 官方推出的可视化监控与测试平台，用于跟踪、记录和分析智能体在运行过程中的完整调用链路，让智能体的内部运行过程变得透明和可评估。

LangSmith 的核心目标如下：

• 全链路追踪：可视化追踪模型调用、提示词输入、结果输出、工具使用等行为；
• 调试与优化：发现运行中智能体的异常行为与性能瓶颈；
• 评测与质量控制：支持人工与自动化评测，量化智能体表现；
• 团队协作：支持多人共享测试集与调用记录。

LangSmith 官网：https://www.langchain.com/langsmith

LangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环。

4.1 前置知识#

1、Python 基础语法

变量、流程控制、函数与参数机制、类与对象、装饰器；常用的容器（列表、元组、集合、字典）、JSON 处理、异常处理；模块导入、包管理（推荐用 pip 或 conda）、线程与协程。

LangChain 生态支持 Python 和 JavaScript 语言实现。其中，Python 版本仍是功能最完整、更新最及时、社区最活跃的核心实现。

2、大语言模型基础

了解什么是 LLM、Token、Prompt、Embedding；使用过 OpenAI API 或其他模型提供商，如 Anthropic、阿里云百炼、DeepSeek 等；通过浏览器或 App 使用过大模型（比如：豆包、千问、DeepSeek 等）。

4.2 相关环境安装#

1
# 创建一个名为 langchain1.2 的环境，指定 Python 版本是 3.13.12
2
conda create --name langchain1.2 python=3.13.12
3
# 查看 anconda 安装好的 python 环境
4
conda env list
5
# 初始化虚拟环境（执行完此指令，重新启动命令行窗口）
6
conda init
7
# 在命令行窗口切换到某 python 环境
8
conda activate langchain1.2
9
# 验证 python 版本
10
(langchain1.2) C:\Users\shkstart>python -V
11
# 输出：Python 3.12.13
12
# 或 调用：python --version

1
# 在命令行退出当前 python 环境
2
(langchain1.2) C:\Users\shkst>conda deactivate
3
# 删除一个已有的 anconda 管理的 python 环境
4
conda remove --name langchain1.2 --all

1
# 安装指定版本。比如 1.2.2
2
conda install langchain==1.2.12
3
# 或者安装最新版（默认仓库）
4
conda install langchain
5
# 指定频道（如 conda-forge）
6
conda install -c conda-forge langchain==1.2.12
7
# 更新包
8
conda update langchain
9
# 卸载包
10
conda uninstall langchain
11
# 查看已安装包
12
conda list

1
# 安装指定版本
2
pip install langchain==1.2.12
3
# 安装最新版（不推荐）：pip install langchain
4
# 使用指定源：国内镜像加速（解决下载慢） -i：指定镜像源
5
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple
6
# 从旧版本升级到新版本
7
pip install --upgrade langchain
8
# 或者 pip install -U langchain==1.2.12
9
# 卸载包
10
pip uninstall langchain

1
# 查看已安装包
2
pip list
3
# 检查包来源：Conda 安装的包显示频道，pip 安装的显示 pypi
4
conda list

5.1 RAG 开发#

1）背景

• 大模型的知识冻结：随着 LLM 规模扩大，训练成本与周期相应增加，模型无法实时学习到最新的信息或动态变化，导致 LLM 难以应对诸如“请推荐现在的热门影片”等时间敏感的问题。
• 大模型幻觉：涉及到大模型从未在训练过程中学习过的信息时，大模型无法给出准确的答复，转而开始臆想和编造答案。

2）举例

LLM 在考试的时候面对陌生的领域，答复能力有限，然后就准备放飞自我了；而此时 RAG 给了一些提示和思路，让 LLM 懂了开始往这个提示的方向做，最终考试的正确率从 60% 到了 90%。

3）何为 RAG？

Retrieval-Augmented Generation（检索增强生成）。其流程分为两条线：

离线数据写入：

1. 本地文件：可以是结构化数据（二维表）、非结构化文本（PDF、Word、TXT 等格式）；
2. 非结构化数据加载器（Unstructured Loader）→ 文本（Text）；
3. 文本切分（Text Splitter）→ 文本块（Text Chunk）；
4. 向量嵌入（Vector Embeddings），由嵌入模型（Embedding Model）完成；
5. 向量数据库（Vector Database）：存储 & 索引（Store & Index）。

在线查询：

1. 用户提问（User Query）→ 嵌入模型 → 向量嵌入；
2. 相似度搜索（Similarity Search）→ 向量数据库中的相似向量；
3. 相似向量作为上下文（Context）；
4. 提示词模板（Prompt Template）→ 提示词 Prompt = Context + User Query；
5. LLM 生成回答（Answer）→ 发送给用户。

检索-增强-生成过程：检索可以理解为第 10 步，增强理解为第 13 步（这里的提示词包含检索到的数据），生成理解为第 15 步。

这些过程中的难点：

1. 文件解析：如果是 PDF，内部包含文件、图片、表格，图片上还有文字，需要处理；
2. 文件切割：没有固定的格式；
3. 知识检索：在 RAG 应用中，随着文档数量增加，召回准确率会下降，引入 reranker（重排器）可对初步召回的较多 chunk（如 top 20 或 top 50）进行精排，提高召回准确率，防止 LLM 处理无关信息，减少时间和成本；
4. 知识重排序：与基于基本矢量搜索的 RAG 相比，reranker 增强型 RAG 的成本更高，但与仅依靠 LLM 生成答案相比，它的成本低些。

Reranker 的使用场景：

• 适合：追求回答高精度和高相关性的场景中特别适合使用 Reranker，例如专业知识库或者客服系统等应用；
• 不适合：引入 reranker 会增加召回时间，增加检索延迟。服务对响应时间要求高时，使用 reranker 可能不合适。

5.2 Agent 开发#

充分利用 LLM 的推理决策能力，通过增加规划、记忆和工具调用的能力，构造一个能够独立思考、逐步完成给定目标的 Agent（智能体）。

OpenAI 的元老翁丽莲（Lilian Weng）于 2023 年 6 月在个人博客首次提出了现代 AI Agent 架构：https://lilianweng.github.io/posts/2023-06-23-agent/

一个数学公式来表示：

1
Agent = LLM + Planning + Tools + Memory + Action

类比举例（比如打车到西藏玩）：

• 大脑中枢：规划行程的你；
• 规划：步骤 1 规划打车路线，步骤 2 订饭店、酒店……
• 调用工具：调用 MCP 或 Function Calling 等 API，滴滴打车、携程、美团订酒店饭店；
• 记忆能力：沟通时要知道上下文，比如订酒店得知道是西藏路上的酒店，不能聊着聊着忘了最初的目的；
• 行动：能够执行上述操作，说走就走，不能纸上谈兵。

智能体核心要素被细化为以下模块：

1. 大模型（LLM）作为“大脑”：提供推理、规划和知识理解能力，是 AI Agent 的决策中枢。大脑主要由一个大型语言模型 LLM 组成，承担着信息处理和决策等功能，并可以呈现推理和规划的过程，能很好地应对未知任务。
2. 规划决策（Planning）：通过任务分解、反思与自省框架实现复杂任务处理。例如，利用思维链（Chain of Thought）将目标拆解为子任务，并通过反馈优化策略。
3. 工具使用（Tool Use）：调用外部工具（如 API、数据库）扩展能力边界。
4. 记忆（Memory）：智能体像人类一样，能留存学到的知识以及交互习惯等，这样的机制能让智能体在处理重复工作时调用以前的经验，从而避免用户进行大量重复交互。
   • 短期记忆：存储单次对话周期的上下文信息，属于临时信息存储机制，受限于模型的上下文窗口长度。ChatGPT 支持约 8k token 的上下文，GPT4 支持约 32k token；最新的很多大模型：OpenAI GPT-5.5 / GPT-5.4 Pro 支持 100 万 Token（1M）、Anthropic Claude Opus 4.7 支持 200 万 Token、DeepSeek-V4-Pro 支持 100 万 Token，甚至有模型支持 1000 万 token 的上下文（相当于 2000 万字文本或 20 小时视频）。
   • 长期记忆：可以横跨多个会话或时间周期，可存储并调用核心知识，非即时任务。比如，关于用户的偏好、过去执行过的指令等。长期记忆可以通过模型参数微调（固化知识）、知识图谱（结构化语义网络）或向量数据库（相似性检索）方式实现。
5. 行动（Action）：实际执行决策的模块，涵盖软件接口操作（如自动订票）和物理交互（如机器人执行搬运），比如检索、推理、编程等。

智能体会形成完整的计划流程：例如先读取以前工作的经验和记忆，之后规划子目标并使用相应工具去处理问题，最后输出给用户并完成反思。

5.3 大模型应用开发的 4 个场景#

场景1：纯 Prompt

Prompt 是操作大模型的唯一接口。当人看：你说一句，ta 回一句，你再说一句，ta 再回一句……

场景2：Agent + Function Calling

• Agent：AI 主动提要求；
• Function Calling：需要对接外部系统时，AI 要求执行某个函数。

当人看：你问 ta「我明天去杭州出差，要带伞吗？」，ta 让你先看天气预报，你看了告诉 ta，ta 再告诉你要不要带伞。

场景3：RAG (Retrieval-Augmented Generation)

RAG 在需要补充领域知识时使用：

• Embeddings：把文字转换为更易于相似度计算的编码，这种编码叫向量；
• 向量数据库：把向量存起来，方便查找；
• 向量搜索：根据输入向量，找到最相似的向量。

举例：考试答题时，到书上找相关内容，再结合题目组成答案。这个在智能客服上用的最广泛。

场景4：Fine-tuning（精调/微调）

举例：努力学习考试内容，长期记住，活学活用。特点：成本最高；在前面的方式解决不了问题的情况下，再使用。

如何选择相关技术#

面对一个需求，如何开始、如何选择技术方案？课件给出了一个常用思路（以流程图形式展示，文字内容未在提取文本中）。