langchain-ai/langchain · 上手攻略

仓库：langchain-ai/langchain
链接：https://github.com/langchain-ai/langchain
分类：agent
作者：Tom
更新：2026-07-06

这是什么

LangChain 是目前最主流的 Agent 工程框架，为构建 LLM 应用提供标准化的组件抽象——模型接口、工具（Tools）、向量存储（Vector Store）、检索器（Retriever）等。2024–2025 年 LangChain 团队将产品线拆分为多个专注子库：主库 LangChain（底层组件）、LangGraph（复杂流程编排）、Deep Agents（开箱即用 Agent）、LangSmith（可观测性平台）。本攻略聚焦 LangChain Python 主库。

核心哲学：Agent = Model + Harness。LangChain 提供 create_agent——一个极简但高可配置的 Agent Harness，周围是 Prompt、Tools 和 Middleware，你从原语出发，按需组合。

Stars：141,033 | 周增：+301 | 语言：Python | 许可：MIT

解决什么问题

构建 LLM 应用时，开发者面临几个核心挑战：

模型切换成本高：OpenAI 换 Anthropic 代码要重写，LangChain 通过统一抽象层解决
工具接入繁琐：每个外部 API（搜索、数据库、文件系统）都要手写调用逻辑
RAG 实现复杂：从 PDF 切块、向量化、检索到生成，每步都有坑
Agent 行为难以控制：ReAct、Plan-and-Execute 等模式实现细节多，容易出 bug

LangChain 提供经过大量社区验证的组件和模式，大幅降低从原型到生产的时间。

快速安装

pip install -qU langchain

# 按需安装各 Provider 支持
pip install -qU "langchain[openai]"        # OpenAI
pip install -qU "langchain[anthropic]"     # Anthropic
pip install -qU "langchain[google-genai]"   # Google Gemini
pip install -qU "langchain[ollama]"        # Ollama（本地模型）
pip install -qU "langchain[postgres]"      # PostgreSQL
pip install -qU "langchain[faiss]"         # FAISS 向量数据库

⚠️ 注意：LangChain 2024 年进行了重大版本重构，部分旧教程（< 0.3.x）的导入路径和 API 与当前版本不同。本攻略基于当前主库版本。

核心用法

初始化模型（5 种主流方式）

# OpenAI
from langchain.agents import create_agent

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[my_tool],
    system_prompt="You are a helpful assistant.",
)

# Anthropic（Claude）
agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[my_tool],
    system_prompt="You are a helpful assistant.",
)

# Google Gemini（via langchain-google-genai）
agent = create_agent(
    model="google_genai:gemini-2.5-flash-lite",
    tools=[my_tool],
    system_prompt="You are a helpful assistant.",
)

# OpenRouter（第三方网关聚合）
agent = create_agent(
    model="openrouter:anthropic/claude-sonnet-4-6",
    tools=[my_tool],
    system_prompt="You are a helpful assistant.",
)

# Ollama（本地模型，如 DeepSeek、Qwen）
agent = create_agent(
    model="ollama:devstral-2",
    tools=[my_tool],
    system_prompt="You are a helpful assistant.",
)

创建自定义工具

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[get_weather],
    system_prompt="You are a helpful assistant.",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]}
)
print(result["messages"][-1].content_blocks)

RAG 流水线（文档检索增强生成）

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings

# 1. 文档切分
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
docs = splitter.split_documents(raw_documents)

# 2. 向量化并存储
vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())

# 3. 检索器
retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 4})

# 4. 组装 RAG Chain（LangChain Expression Language）
from langchain import hub
from langchain.chat_models import init_chat_model
from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough

model = init_chat_model("openai:gpt-5.5")
rag_chain = {"context": retriever | (lambda x: x.page_content), "question": RunnablePassthrough()} | hub.pull("rlm/rag-prompt") | model | StrOutputParser()

answer = rag_chain.invoke("What is the main topic of the document?")

LangGraph 进阶流程控制

当 create_agent 的简单循环不够用时，LangGraph 提供图结构的 Agent 编排，支持条件分支、循环、人机交互节点：

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver

# 带内存持久化的 ReAct Agent
checkpointer = MemorySaver()
agent = create_react_agent(
    model,
    tools,
    checkpointer=checkpointer,
)

典型适用场景

RAG 系统构建：企业知识库、客服问答、文档检索类应用
通用 LLM 应用开发：需要对模型、Prompt、Retrievers 进行组合实验的研发流程
Agent 原型开发：用 create_agent 快速验证某个 Agent 想法的可行性
复杂多步流程：需要条件分支、循环、状态持久化时切换到 LangGraph

坑与注意

版本断裂问题：LangChain 在 2024 年经历重大重构（0.1.x → 0.2.x → current），大量旧教程代码无法直接运行。from langchain.chat_models import init_chat_model 是新版 API，旧的 from langchain.llms import OpenAI 已废弃。遇到 import 错误时先查官方当前文档。
依赖臃肿：langchain 主包含大量可选依赖，全量安装可能引入版本冲突。建议按需安装：langchain + 具体 [openai] / [anthropic] 等。
LangChain vs LangGraph vs Deep Agents：三者不是替代关系，是层次递进。普通应用 langchain 足够；需要可控流程用 langgraph；需要开箱即用多能力 Agent 用 deep_agents。
调试困难：LangChain 的隐式调用链较长，出问题时先用 LangSmith 开启 tracing（LANGSMITH_TRACING=true）。
Azure 集成注意：使用 Azure OpenAI 时，模型名格式为 azure_openai:gpt-4o，需配合 azure_deployment 参数。
Python 版本要求：当前主库要求 Python 3.12+。

与同类对比

框架	定位	优点	缺点
LangChain	通用 LLM/Agent 框架	生态最完整，文档丰富，社区活跃	学习曲线陡峭，版本断裂
LangGraph	复杂 Agent 流程编排	图结构灵活，支持状态持久化	上手门槛更高
LlamaIndex	RAG 专精	RAG 场景优化更好，索引管理更细	Agent 场景不如 LangChain
CrewAI	多 Agent 协作	语法简洁，Role-Based 设计直观	生态不如 LangChain
Semantic Kernel	微软官方（.NET/Python）	与 Azure 集成好，企业级支持	生态限于微软全家桶
AutoGen	多 Agent 对话	强调 Agent 间协作，代码轻量	缺乏 LangChain 的工具生态

一句话推荐结论： LangChain 是目前 AI 应用开发最通用的开源基础设施，适合需要灵活组合模型、工具和检索组件的团队；如果你专注 RAG 且需要更精细的索引控制，LlamaIndex 是更好选择；如果你的团队使用微软 Azure 全家桶，Semantic Kernel 更贴合。