LangChain 生态总览

Python AI Agent 开发的代表性框架。理解它的设计哲学和边界，才能判断何时用它、何时绕过它。

什么是 LangChain？

LangChain 是一个调用大模型的工具库，核心价值：

1
2
3
4
5
传统方式：
你的代码 → OpenAI API → 手动处理 JSON → 手动拼接 Prompt

LangChain 方式：
你的代码 → LangChain → 统一接口 → 支持任意 LLM

对比：就像你用 JDBC/ORM 操作数据库，而不是直接用 Socket 发 SQL。

LangChain 生态组成

1
2
3
4
5
6
7
8
9
10
11
12
┌────────────────────────────────────────────────────┐
│                   LangChain 生态                    │
├──────────────┬───────────────┬─────────────────────┤
│  langchain-core    │  langchain    │  langchain-community  │
│  （核心接口/抽象）  │  （高层 API）  │  （第三方集成）        │
├──────────────┴───────────────┴─────────────────────┤
│  LangChain Expression Language (LCEL)              │
│  统一的管道式组合语法                               │
├────────────────────────────────────────────────────┤
│  LangGraph           │  LangSmith                  │
│ （有状态工作流）      │ （观测/调试平台）           │
└────────────────────────────────────────────────────┘
包说明
langchain-core核心抽象：ChatModel、Prompt、OutputParser、Tool
langchain高层 API：各种 Chain、Agent 封装
langchain-community第三方集成：各种 VectorDB、API 适配器
langchain-openai / langchain-anthropic官方模型适配器
langgraph有状态工作流（循环图）
langsmith可观测性平台

什么时候用 LangChain？

适合的场景

✅ RAG 流水线（文档加载 → 分块 → 向量化 → 检索 → 生成）
✅ 多步骤复杂 Prompt 组装
✅ 需要统一切换不同 LLM（OpenAI ↔ Anthropic ↔ Ollama）
✅ 快速原型开发
✅ Function Calling 封装

不适合的场景

❌ 对延迟/成本极度敏感 — LangChain 有抽象开销，直接调 API 更高效
❌ 需要极简依赖 — 直接用 openai / anthropic Python 包更轻
❌ 需要完全自定义控制 — LangChain 的”魔法”会在复杂场景下变成障碍

替代方案

替代说明
Direct API直接用 openai、anthropic 官方包
LlamaIndex更专注于 RAG 场景，比 LangChain 更轻
Spring AIJava 开发者首选，和 Spring Boot 深度集成
Semantic Kernel微软出品，企业 Microsoft 生态首选

安装

1
2
3
4
5
6
7
8
9
10
# 基础包（推荐先装这个）
uv pip install langchain langchain-openai

# 常用扩展
uv pip install langgraph langchain-community \
  langchain-openai langchain-anthropic \
  langchain-mcp-adapters

# 如需 MCP 支持
uv pip install langchain-mcp-adapters mcp

版本说明

版本说明
LangChain 0.1.x稳定版，API 相对成熟
LangChain 0.2.x2024-2025，模块化重构
LangChain 0.3.x2025，langchain-core 完全重写

注意：2024 年底 LangChain 进行了breaking change 拆分，老教程可能不兼容，以官方文档为准。

快速示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 模型
llm = ChatOpenAI(model="gpt-4o", temperature=0.7)

# Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{language}编程助手"),
    ("human", "用{language}写一个{focus}")
])

# 链（管道语法）
chain = prompt | llm | StrOutputParser()

# 调用
result = chain.invoke({
    "language": "Python",
    "focus": "快速排序"
})
print(result)

核心概念图

1
2
3
4
PromptTemplate → LLM → OutputParser
       ↑            ↓
       └── 都可以用管道 | 连接 ──┘
              这就是 LCEL