LangChain：LLM 应用框架

为什么需要 LangChain：从命令式粘合脚本到标准化组件管道

直接调用各家模型 API 开发应用时，代码里混着 prompt 字符串拼接、HTTP 重试与超时处理、输出解析、向量库读写等琐碎逻辑。一旦涉及模型商切换，整套调用层要重写；当应用同时包含文档加载、切分、检索、生成、工具调用等 6 个以上环节，命令式的「粘合脚本」维护成本会快速超过业务逻辑本身，组件也无法在项目间复用。

LangChain 把 LLM 应用拆成边界清晰的组件：模型（ChatModel）、提示模板（PromptTemplate）、输出解析器、文档加载器与分割器、向量存储、检索器、记忆、工具与 Agent。所有组件实现同一个 Runnable 接口，用竖线运算符即可组合成管道，管道本身仍是 Runnable，可以继续嵌套。一次学习，同步、异步、流式、批量四种调用方式全部获得。切换模型厂商时只替换模型对象与其集成包，其余管道代码不动。

与 LlamaIndex 聚焦数据检索、Haystack 强调生产级 Pipeline 不同，LangChain 的定位是覆盖面最广的通用编排层：既能做 RAG，也能做 Agent、多轮对话与工具调用。代价是抽象层更多、接口演进更快，选型时需要评估团队的跟进能力。

安装与环境配置：3 步就绪

步骤一：准备 Python 3.9+，创建虚拟环境，安装 langchain 主包与 langchain-openai 集成包。模型实现不在主包内，这是 0.2 模块拆分后的重要变化。

步骤二：获取 OpenAI API Key，写入项目根目录的 .env 文件。不要把 .env 提交进 Git，在 .gitignore 中排除。

步骤三：运行验证命令，能打印版本号即安装成功。若导入 ChatOpenAI 报错，说明缺少 langchain-openai 包。

# 创建并激活虚拟环境（Python 3.9+）python -m venv .venvsource .venv/bin/activate  # Windows: .venv\Scripts\activate # 安装核心包、OpenAI 集成包与 dotenvpip install langchain langchain-openai python-dotenv # 配置环境变量（sk-xxx 替换为真实密钥）echo "OPENAI_API_KEY=sk-xxx" > .env # 验证安装python -c "import langchain; print(langchain.__version__)"

快速上手：5 分钟跑通第一个问答链

最小闭环是「模板 + 模型 + 管道 + 调用」四件套：先用 ChatPromptTemplate 定义带占位符的提示模板，再创建 ChatOpenAI 模型对象，用 | 组合成 LCEL 管道，最后调用 invoke 并传入模板需要的变量字典。

1. 在项目根目录创建 .env 文件，写入 OPENAI_API_KEY=sk-xxx。

2. 新建 main.py，写入下方代码。模板中的 {question} 是运行时填充的变量，invoke 传入字典的键必须与之一致。

3. 执行 python main.py。若输出模型回答，说明链路打通；若报错提示缺少密钥，检查 .env 路径与 load_dotenv() 调用。

进阶技巧：把 chain.invoke(...) 换成 for chunk in chain.stream({...}): print(chunk.content, end="") 即可实现流式输出；在链尾追加 | StrOutputParser() 可让 invoke 直接返回字符串而非 AIMessage 对象。

# main.pyfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplate load_dotenv() # 1. 模型对象：temperature 控制随机性，0 为最确定llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 2. 提示模板：{question} 是运行时填充的占位符prompt = ChatPromptTemplate.from_messages([    ("system", "你是一名技术写作助手，回答要简洁、准确。"),    ("user", "{question}"),]) # 3. 用 | 组合成 LCEL 管道：先填模板，再交给模型chain = prompt | llm # 4. 调用：传入模板需要的变量字典resp = chain.invoke({"question": "用一句话解释什么是 RAG"})print(resp.content)  # .content 才是文本，resp 是 AIMessage 对象

核心能力详解：5 大支柱

支柱一·LCEL 与 Runnable 协议。LCEL（LangChain Expression Language）是 0.1 之后的一等公民。任何实现了 Runnable 接口的对象——模型、模板、解析器、自定义函数——都可以用 | 组合，组合结果自动继承 invoke/ainvoke/batch/abatch/stream/astream 六种调用入口。这使链的构建从「继承 Chain 类」转向「函数式管道组合」，代码量通常减少一半以上。RunnableParallel 可并行执行多个组件，RunnablePassthrough 可透传输入并采集中间变量，RunnableLambda 能把任意 Python 函数包装进管道。

支柱二·模型 I/O 三件套。模型 I/O 由提示模板、对话模型、输出解析器组成。ChatPromptTemplate 支持 system/user/assistant 多消息结构；ChatModel 是统一的模型抽象，各家模型通过独立集成包接入；输出解析器把模型返回的 AIMessage 转为字符串、结构化 JSON 或 Pydantic 对象，解决了「模型输出格式不稳定」这一工程痛点。

支柱三·RAG 组件链。RAG（检索增强生成：先从外部知识库检索相关文本，再作为上下文交给模型生成）的完整链路在 LangChain 中都有对应组件：文档加载器（Loader）支持 PDF、网页、数据库等数十种来源；文本分割器（Splitter）按语义或固定块切分；向量存储（VectorStore）支持 Chroma、FAISS、Pinecone 等；检索器（Retriever）负责相似度查询与重排。整个流程可拆成加载、索引、检索、生成四个可独立替换的阶段。

支柱四·Agent 与自定义工具。Agent（智能体：根据目标自主决定调用哪些工具并循环执行）是 LangChain 的重头戏。用 @tool 装饰器即可把任意函数注册为工具，模型在推理循环中自行决定调用哪个工具、传什么参数。内置了 ReAct、OpenAI Functions 等多种 Agent 类型，并支持工具结果回传后的多轮迭代。0.3 之后官方把复杂的 Agent 状态管理收敛到 LangGraph 中，主包保留轻量 AgentExecutor 供简单场景使用。

支柱五·LangGraph 与 LangSmith。LangGraph 是官方推荐的状态化编排引擎，把 Agent 流程建模为带状态转移的图，支持循环、条件分支、人工介入与检查点持久化，解决了普通 LCEL 难以表达复杂流程的问题。LangSmith 是官方可观测平台，记录每次运行的输入输出、token 消耗与延迟，支持构建评测数据集做回归测试，是生产环境排查问题的关键工具。

生产部署与监控：从上线到运维

部署方式一：LangServe 转 REST 服务。安装独立包 langserve，用 add_routes 把任意 LCEL 链暴露为 /invoke、/stream、/batch 等 HTTP 端点，自动附带 OpenAPI 文档，适合微服务架构。生产环境需在应用层补充鉴权、限流与超时控制。

部署方式二：容器化与 LangGraph 平台。生产环境建议将链与依赖打包进 Docker 镜像，用 poetry 或 uv 锁定依赖版本，避免 0.1/0.2/0.3 的 API 差异引发线上事故。需要状态持久化的多 Agent 场景使用 LangGraph 的检查点机制，或直接采用 LangGraph Platform 托管，由平台处理负载均衡与存储。

可观测性。LangSmith 是首选方案：每次调用自动生成 trace，可查看管道每一步的输入输出、耗时与 token 消耗；平台支持将线上错误样本加入评测数据集，持续回归。不使用 LangSmith 时，可基于 OpenTelemetry 手动埋点，记录链路的各节点耗时与模型调用参数。

<p class="para-label">避坑清单：</p>

<ul class=“dash-list“><li>版本不匹配：0.1 之前教材中直接调用 llm(”……”) 或 .run() 的写法在 0.2/0.3 已移除，先确认 pip 版本再抄代码。</li><li>包名混淆：模型实现不在 langchain 主包内，按厂商装 langchain-openai、langchain-anthropic 等，否则 import 直接报错。</li><li>变量缺失：LCEL 中 invoke 字典缺模板占位符会在运行时抛 KeyError，用 RunnableParallel 时键名必须与下游模板变量一致。</li><li>密钥不生效：.env 路径不对或未调用 load_dotenv 导致模型实例化失败，部署时改用环境变量显式注入。</li></ul>

# serve.py：把 LCEL 链发布为 REST 服务from fastapi import FastAPIfrom langserve import add_routesfrom main import chain  # 复用上一节定义的链 app = FastAPI(title="QA Service")add_routes(app, chain, path="/qa")# 运行：uvicorn serve:app --host 0.0.0.0 --port 8000

版本迭代

LangChain 自 2022 年 10 月开源后经历三个阶段：0.0.x 快速试错，API 月月变；2024 年初 0.1 冻结核心 API，转向接口稳定；2024 年中 0.2 完成模块拆分，把模型实现、社区集成与核心协议解耦，生态分层成型；0.3 起官方重心转向 LangGraph 与 LangSmith 的企业级能力（截至训练数据，0.3.x 系列可能已有更新补丁，以官方 Changelog 为准）。

AI 应用场景

常见误区

面试题