个人工作中对于LangChain的学习

发布时间：2026/11/4 19:35:07
个人工作中对于LangChain的学习

​对于一个技术框架来说，我们进行学习时的第一步是：是什么?有什么作用？怎么用？
接下来的内容将根据这三个问题展开来说一下我个人的一些看法。

官方文档：https://langchain-doc.cn/

​LangChain的概念

LangChain是一个基于大语言模型用于构建一个端到端语言模型应用的框架，它提供了一系列工具、套件和接口、让开发者使用语言模型来实现各种复杂的任务，如文本到图像的生成、文档问答、聊天机器人等。简单的来说就是一个开发由大型语言模型（LLMs）驱动的应用程序的框架。

LangChain的作用

LangChain对于一名AI应用工程师的作用体现在大幅减少重复造轮子，原生调用大模型 API，你要自己手写大量通用逻辑什么文档加载、文本切分、对话历史存储与拼接、向量检索逻辑、提示词管理、结果格式化、常捕获、多步骤任务调度。LangChain 是把这些通用组件全部封装好的。
对于我来说LangChain的作用如下几点：
1.封装 RAG、对话记忆、任务编排、Agent 等通用能力，避免重复开发；
2.提供统一接口抽象，便捷切换各类公有、私有化大模型；
3.标准化实现知识库问答、智能工具代理等主流 AI 业务场景；
4.支持业务流程模块化编排，便于调试、维护与团队协作，帮助工程师快速把 LLM 落地为可 用的业务系统。
我的学习也将围绕LangChain的核心组件展开：模型（Models），提示模版（Prompts），数据检索（Indexes），记忆（Memory），链（Chains），代理（Agents）。

LangChain的安装

安装指定版本的LangChain(这里我使用的是conda，PyCharm，使用清华源下载)

pip install langchain==0.3.7-i https://pypi.tuna.tsinghua.edu.cn/simple pip install langchain-openai==0.2.3-i//https:pypi.tuna.tsinghua.edu.cn/simple

说明：新版 LangChain 采用分包设计，各大模型的对接包独立拆分出去，langchain-openai是专门对接 OpenAI 兼容接口的包；后续如果接入智谱、通义千问等模型，还需要安装对应的langchain-xxx适配包。（我的学习中使用的是智谱）
完成对LangChain的安装了，我觉得对模型的使用我们可以概括为三个部分：输出提示（format）、调用模型（predict）、输出解析（parse）。也是LingChain中的model I/O。
补充说明：langchain-openai 是独立的集成包，在新版 LangChain 中，各个大模型的对接包都做了拆分，不再内置在 langchain 主包内。如果后续要接入智谱、通义千问等其他模型，还需要安装对应的langchain-xxx适配包。

Model I/O：模型输入输出（提示词 → 调用 → 解析）

Model I/O 是 LangChain 最基础、最底层的一条链路，所有上层组件，不管是 Chain 还是 Agent，底层都离不开这套流程。它把和大模型交互这件事拆成三层，职责清晰：
1.Prompt：提示模板格式化
提示词不能硬写在代码里。PromptTemplate可以定义模板字符串，预留变量占位符，运行时传入参数自动填充，生成发给大模型的完整 prompt。
好处是提示词统一管理、方便修改、支持多语言、支持动态传入上下文。`

fromlangchain_core.promptsimportPromptTemplate prompt=PromptTemplate(input_variables=["question"],template="你是一名AI助手，请简洁回答用户问题：{question}")formatted_prompt=prompt.format(question="LangChain是什么？")print(formatted_prompt)`

2.Model：调用大模型
LangChain 把 LLM、ChatModel 做了抽象。
在LangChain中LLM用于文本补全模型，输入字符串，返回字符串。
ChatModel：对话模型，输入消息列表（SystemMessage、HumanMessage、AIMessage），返回对话消息，更适合聊天场景。
只需要更换模型实例，上层提示词代码几乎不用改动，这就是前面提到的统一抽象能力。

fromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="gpt-4o-mini",api_key="你的key",base_url="接口地址")response=llm.invoke(formatted_prompt)print(response.content)
  1. Output Parser：输出解析器
    大模型返回的是自然文本，不稳定。很多场景我们想要结构化结果：JSON、列表、布尔值。
    输出解析器用来约束、提取、转换模型返回内容，自动校验格式，失败时还能让模型重试。
    常用：StrOutputParser（拿到纯文本）、JsonOutputParser（输出 JSON）。
fromlangchain_core.output_parsersimportStrOutputParser parser=StrOutputParser()result=parser.parse(response)print(result)

这三个组件还可以用|管道符串联起来，也就是 LangChain 的LCEL（LangChain Expression Language），这是新版推荐的写法，替代老旧 Chain：

chain=prompt|llm|parser res=chain.invoke({"question":"LCEL是什么"})print(res)

一行链路，清晰直观，支持流式输出、异步、批处理，是现在开发的主流方式。

那么LangChain与其他技术的区别，也就是它的特点我们就差不多学习完了。接下来来了解一下LangChain的四大核心组件：

核心组件一：Indexes 数据检索（RAG 基础）

单纯调用大模型有两个痛点：知识滞后、不能读取私有文档。Indexes 模块就是为检索增强生成（RAG）服务的。
整套流程：文档加载 → 文档分割 → 向量化 → 存入向量库 → 检索。

  • Document Loaders：加载器，读取 pdf、md、docx、网页等文件，统一转成Document对象；
  • Text Splitters：文本切分器，按字符、递归字符、语义切割，避免上下文超长；
  • Embeddings：嵌入模型，把文本转为向量；
  • VectorStore：向量数据库，持久化向量，支持相似度检索；
  • Retriever：检索器，对外提供统一查询接口，拿到相关片段，塞到提示词里交给大模型。

RAG 的核心思路：先查相关资料，再把资料 + 用户问题一起发给大模型，让模型基于资料回答，而不是靠模型自身的参数记忆。

核心组件二：Memory 对话记忆

大模型本身是无状态的，单次调用互不认识，不知道上一轮聊了什么。Memory 组件负责保存对话历史。
常见几种记忆：

  • ConversationBufferMemory：完整保存全部对话；
  • ConversationSummaryMemory：自动总结历史，节省 token；
  • ConversationBufferWindowMemory：只保留最近 N 轮对话；
  • 持久化记忆：把对话存在数据库、Redis，多轮会话、多用户隔离。

记忆本质就是：在每次调用模型前，把历史对话拼接进 prompt，让模型拥有上下文感知。在做聊天机器人时是必用组件。

核心组件三：Chains 链

Chain 代表一串有序执行的任务，把多个组件按顺序串起来，输入传给第一个组件，输出交给下一个。
早期 LangChain 大量使用内置 Chain：RetrievalQA、ConversationChain等。
现在官方更推荐 LCEL 管道写法，灵活度远高于固定 Chain。

  • 简单链：单轮问答；
  • 顺序链：多个任务依次执行，A 的输出是 B 的输入；
  • 并行链：多个分支同时执行，结果合并；

Chain 解决的是：把单一步骤，组装成一条业务流水线。

核心组件四：Agents 代理

Chain 是流程固定的，代码写死执行顺序；Agent 不一样：让大模型自己思考下一步要做什么、调用哪个工具。
Agent 包含：大模型、工具列表、Agent 执行器。
工具可以是：搜索引擎、计算器、查询数据库、调用自定义接口。
运行逻辑：

  1. 用户提问；
  2. Agent 思考：我能不能直接回答？信息不足，我需要调用哪个工具？
  3. 调用工具拿到结果；
  4. 把工具返回结果再交给模型，整理答案返回用户；

Agent 适合开放式、不确定步骤的任务，缺点是不可控，容易无限循环、误调用工具，生产环境要做好限制、校验、超时控制。