个人知识库

LangChain

8分钟阅读

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

0. Models（模型层 / Agent 的“大脑”）

  • 统一接口：封装 OpenAI、Anthropic、Google Gemini、Azure、AWS Bedrock、HuggingFace、本地 OpenAI 兼容端点等
  • 初始化：
    • init_chat_model(model=..., model_provider=...)：多提供商通用入口（推荐切换场景）
    • ChatOpenAI（langchain_openai）：OpenAI 兼容 API 直连；配合 OPENAI_BASE_URL 可打 Qwen/DeepSeek 等
  • 四种调用语义：invoke（完整 AIMessage）、stream（AIMessageChunk + content_blocks：reasoning/text/tool_call_chunk）、batch（保序并行）、batch_as_completed（完成即返回 + max_concurrency）
  • Messages：SystemMessage / HumanMessage / AIMessage / ToolMessage，也兼容 {"role","content"} 字典
  • 常用参数：model、api_key、temperature、timeout、max_tokens、max_retries（默认 6，指数退避+抖动；401/404 不重试）
  • 能力面：文本生成、Tool Calling、Structured Output、Multimodality、Reasoning

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（docstring 即工具描述，决定模型何时调用）
  • bind_tools([...], tool_choice=...)：auto / required|any / none / 指定工具名；可关 parallel_tool_calls
  • 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

来自 2026-07-19-juejin-langchain-models-guide：

  • 把 Models 明确写成 Agent 的推理引擎：统一接口 + 多提供商切换，业务代码尽量不绑死单一厂商
  • 模块化安装（uv add langchain / langchain_openai 等）与 OpenAI 兼容协议是默认落地路径——本地 Qwen、DeepSeek 等配好 OPENAI_BASE_URL 即可继续用 ChatOpenAI
  • 调用语义选型决策树：单问用 invoke/stream；多独立问用 batch（保序）或 batch_as_completed（完成即返回 + 并发上限）
  • stream 的 content_blocks 可拆开推理模型的 reasoning 与普通 text，适配 Qwen3 等带思考块的模型
  • Messages 双轨：类型化消息对象（多模态/元数据更完整）vs OpenAI 风格字典（快速原型）
  • 工具链路：@tool（docstring 即描述）→ bind_tools → 检查 tool_calls → 执行 → 回传；tool_choice 与并行工具调用是可控旋钮
  • 连接弹性：默认 max_retries=6，网络/429/5xx 指数退避+抖动；认证与 404 类客户端错误不重试

来自 2026-07-23-woshipm-ai-backend-test-first-debug：

  • 在 Vibe Coding 后端实战中，LangChain 同时扮演文档源与组件超市：通过 docs-langchain MCP 用 ask 模式查询如何接千问、如何 NL2SQL；文档指向 SQLDatabase、create_sql_agent 等现成能力
  • 关键修正：现成 create_sql_agent 的编排未必贴合「意图→SQL→安全校验→查库→图表→总结 + SSE」产品路径——组件能用 ≠ 编排合用，需最小测试真实 I/O 后再决定自研管道
  • 实践启示：用 MCP 查最新规范可降低过时 API 幻觉，但字段契约仍以本地实测为准，并写回开发文档供后续集成

实用信息

安装方式

# 经典 pip
pip install langchain openai chromadb python-dotenv
 
# 模块化（uv，Models 层教程推荐）
uv add langchain
uv add langchain_openai
# uv add langchain_anthropic / langchain_google_genai / langchain_community

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
from langchain.chat_models import init_chat_model
 
# 方式 A：多提供商通用初始化
model = init_chat_model(model="gpt-4o-mini", model_provider="openai", temperature=0.7)
 
# 方式 B：OpenAI 兼容直连（可改 OPENAI_BASE_URL 打本地/第三方）
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

关系图谱

快速导航

反向链接