LangChain

Python 生态最流行的 LLM 应用开发框架，提供 Agent、Tool、Memory、VectorStore 等完整工具链

简介

LangChain 是 Python 生态中最广泛使用的 LLM 应用开发框架，用于构建由大语言模型驱动的应用程序。它提供了从简单的链式调用到复杂的自主 Agent 的完整抽象层，让开发者可以专注于业务逻辑而非底层 LLM 交互细节。

LangChain 的核心设计理念是”组合”：通过将 LLM、工具、记忆、检索器等组件以声明式方式组合，构建出从简单问答到复杂多步骤 Agent 的各种应用。

核心组件

1. Agent（智能体）

• create_openai_functions_agent：基于 OpenAI Function Calling 的 Agent 创建函数
• AgentExecutor：封装完整的推理-执行循环（LLM 调用→解析工具调用→执行工具→结果回传→继续推理）
• 支持多种 Agent 类型：ReAct、OpenAI Functions、Plan-and-Execute 等

2. Tool（工具）

• @tool 装饰器：将普通 Python 函数自动转换为 LLM 可调用的工具
• 自动提取函数签名、参数类型、文档字符串，生成 Function Calling schema
• 支持工具组合和工具路由

3. Memory（记忆）

• ConversationBufferMemory：完整对话历史缓存
• ConversationSummaryMemory：对话摘要压缩
• ConversationBufferWindowMemory：滑动窗口记忆
• 通过 MessagesPlaceholder 注入 prompt

4. Prompt 模板

• ChatPromptTemplate：结构化聊天 prompt 构建
• MessagesPlaceholder：动态插入消息占位符（如聊天历史、agent_scratchpad）
• 支持系统消息、用户消息、AI 消息的声明式组合

5. VectorStore（向量存储）

• Chroma：本地向量数据库集成
• OpenAIEmbeddings：文本向量化
• similarity_search：语义相似度检索
• 支持持久化存储（persist_directory）

关键信息

• 类型：开发框架
• 语言：Python（另有 LangChain4j 为 Java 版本、LangChain.js 为 JavaScript 版本）
• 核心范式：Chain（链式调用）→ Agent（自主推理）→ Graph（图编排）
• 官方文档：https://python.langchain.com
• 竞争框架：LlamaIndex（侧重检索）、Haystack（侧重 NLP 管道）、Semantic Kernel（微软生态）

不同素材中的观点

来自 2026-06-13-langchain-openai-agent-tutorial：

• LangChain + OpenAI 是从零搭建 AI Agent 的最直接路径：pip install langchain openai 即可开始
• @tool 装饰器将 Python 函数自动转换为 Function Calling 格式，开发者无需手动编写 JSON schema
• AgentExecutor 封装了完整的推理-执行循环，开发者只需定义工具和 prompt
• ConversationBufferMemory + MessagesPlaceholder 实现多轮对话记忆，Agent 能理解指代（如”第一封邮件”）
• ChromaDB 向量存储扩展了 Agent 的知识检索能力，可用于 RAG 场景
• 系统提示词是 Agent 行为的”操作系统”，比工具定义更能影响 Agent 的行为质量

来自 2026-06-13-deep-agents-framework-guide：

• LangChain 在 LangChain 生态金字塔中是”方向盘和仪表盘”层——提供丰富组件（PromptTemplate / Tools / RAG），Deep Agents 在其之上构建
• Deep Agents 的中间件架构（TodoListMiddleware、FilesystemMiddleware、SubAgentMiddleware）通过 LangChain 的 create_agent 函数注入
• LangChain 的 @tool 装饰器是 Deep Agents 自定义工具的底层机制

实用信息

安装方式

pip install langchain openai chromadb python-dotenv

基本用法

from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI
 
# 创建 LLM
llm = ChatOpenAI(model="gpt-4")
 
# 定义 prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手..."),
    MessagesPlaceholder(variable_name="chat_history"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])
 
# 创建 Agent
agent = create_openai_functions_agent(llm=llm, tools=tools, prompt=prompt)
executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True)

适用场景

• 需要 LLM 调用外部工具的应用
• 多轮对话机器人
• RAG 知识库问答
• 多步骤任务自动化
• 多 Agent 协作系统

相关页面

• Deep Agents — 在 LangChain + LangGraph 之上的 Agent Harness 层
• LangChain4j — Java 版本的 LangChain
• LangGraph — LangChain 的图编排扩展
• AI Agent 智能体 — LangChain 最常见的应用场景
• Function Calling — LangChain Agent 调用工具的底层机制
• OpenAI — LangChain 最常用的 LLM 提供商
• RAG 知识库 — LangChain 的向量检索应用场景
• AI编程开发