LangChain — LLM 应用与 Agent 开发框架

GitHub: langchain-ai/langchain
Stars: 139,000+ | Language: Python (99.2%) | License: MIT
官网: langchain.com

目录

1. 项目速览
2. 功能概述
3. 适用场景
4. 快速上手
5. 源码架构
6. 实操 Demo
7. 同类对比
8. 参考资源

项目速览

LangChain 是目前最流行的 LLM 应用开发框架之一，由 Harrison Chase 于 2022 年创建，定位为 “The agent engineering platform”。截至 2026 年 6 月，项目在 GitHub 上已获得超过 139,000 颗 Star，拥有 23,000+ Fork 和 1,200+ Release，社区极为活跃。

LangChain 的核心理念是将 LLM 调用与外部工具、数据源组合成可复用的”链”（Chain），从而构建复杂的智能应用。随着 2025 年 10 月 LangChain 1.0 和 LangGraph 1.0 的正式发布，该框架已从早期的”LLM 工具箱”演进为完整的 Agent 工程平台。其生态体系涵盖四大核心组件：langchain-core（抽象层）、langchain（主包）、langchain-community（社区集成）和 langgraph（图编排引擎），此外还有 LangSmith（可观测性平台）和 LangServe（部署服务）等配套产品。

LangChain 的设计哲学是”低抽象、高可控”：提供开箱即用的高层 API 快速上手，也允许开发者随时下沉到 LangGraph 的图级别进行精细控制，两者共享同一运行时，无需重写代码。

功能概述

create_agent — 一行代码构建 Agent

LangChain 1.0 的核心抽象是 create_agent 函数，它封装了标准 Agent 循环：发送请求到模型、模型返回工具调用或最终答案、执行工具、循环往复。开发者只需指定模型和工具列表，即可得到一个功能完备的 Agent。

from langchain.agents import create_agent

agent = create_agent(
    model="openai:gpt-4o",
    tools=[get_weather, search_web, calculate],
    system_prompt="你是一个乐于助人的助手，可以查询天气、搜索网络和执行计算。",
)
result = agent.invoke({"messages": [{"role": "user", "content": "北京的天气如何？"}]})

create_agent 底层运行在 LangGraph 运行时之上，因此你可以随时获取更细粒度的控制权。当需要添加条件分支、循环或人工审批环节时，直接从 Agent 对象中提取底层 StateGraph 进行定制即可。

LCEL — 声明式链式组合

LCEL（LangChain Expression Language）是 LangChain 的声明式组合语言，使用 | 管道操作符将组件串联为可执行的有向无环图（DAG）。LCEL 自动提供同步/异步执行、流式输出、批处理、重试和回退等能力。

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("讲一个关于 {topic} 的笑话")
model = ChatOpenAI(model="gpt-4o")
chain = prompt | model | StrOutputParser()

# 流式输出
for chunk in chain.stream({"topic": "程序员"}):
    print(chunk, end="", flush=True)

Middleware 中间件系统

LangChain 1.0 引入了中间件机制，允许开发者通过钩子函数拦截和定制 Agent 循环的每一个步骤。内置中间件包括：

• Human-in-the-loop：在关键决策点暂停执行，等待人工审批
• 对话摘要：当对话历史超过上下文窗口时自动压缩
• PII 脱敏：自动检测和脱敏个人身份信息

自定义中间件可以用于输入预处理、工具选择策略、输出校验等场景。

Standard Content Blocks

LangChain 定义了一套与模型提供商无关的标准内容块规范，统一了不同模型（OpenAI、Anthropic、Google、开源模型等）的输出格式。支持推理追踪（reasoning traces）、引用标注（citations）、工具调用（包括服务端工具调用）等结构化输出，并且在不同提供商之间保持了流式输出的一致性。这意味着切换模型提供商时，上层应用的解析逻辑无需修改。

LangGraph — 图编排引擎

LangGraph 是 LangChain 生态中的底层编排引擎，基于 Pregel/BSP（Bulk Synchronous Parallel）模型构建。它将工作流建模为有向图，其中节点（Node）代表工作单元（LLM 调用、工具执行、代码函数），边（Edge）代表执行流和状态转换。核心特性包括：

• 自动并行化：当多个节点之间不存在依赖关系时自动并行执行
• 6 种流式模式：values、updates、messages、tasks、checkpoints、custom
• 检查点（Checkpointing）：可序列化的状态快照，支持从任意机器、任意时间恢复执行
• Human-in-the-Loop：interrupt() 函数可在任意节点暂停，检查点机制支持数小时甚至数天后恢复

适用场景

智能客服与对话系统

LangChain 的 LCEL 和 LangGraph 组合非常适合构建多轮对话系统。可以利用 LangGraph 的条件分支实现意图识别、上下文切换等功能，通过检查点机制在长时间对话中保持状态一致，借助 Human-in-the-Loop 中间件在敏感操作（如退款）前加入人工审批。

RAG 知识库问答

LangChain 提供完整的 RAG 管道：文档加载器（支持 PDF、网页、数据库等 100+ 数据源）、文本分割器、向量存储集成（Chroma、Pinecone、Weaviate 等）和检索器。结合 LCEL，几行代码即可搭建一个从文档检索到答案生成的完整问答系统。

多步骤自动化工作流

对于需要复杂决策逻辑的企业自动化场景（如合同审核、贷款审批、供应链管理），LangGraph 的图编排能力可以将业务流程建模为有向图，每个步骤由 LLM 或代码函数执行，支持条件分支、循环、错误处理和人工干预。

数据分析与报告生成

Agent 可以连接数据库（通过 SQL 工具）、调用数据分析库（如 Pandas）、生成图表并撰写报告。LangGraph 的多 Agent 协作能力可以将数据提取、分析、可视化和报告撰写分派给不同的专门 Agent 并行处理。

Agent 编排与多 Agent 系统

LangGraph 支持构建复杂的多 Agent 系统：不同 Agent 拥有不同的工具集和系统提示词，通过有向图定义它们之间的协作关系。可以构建监督者-执行者模式、辩论模式或层级委托模式等多种 Agent 协作架构。

快速上手

环境要求

• Python 3.10+
• 一个 LLM 提供商的 API Key（如 OpenAI、Anthropic 或本地 Ollama）

安装

pip install langchain langchain-community langchain-openai

如果使用 Ollama 运行本地模型：

pip install langchain langchain-community langchain-ollama

最简示例：LLM 调用

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o", temperature=0)
response = llm.invoke("用一句话解释什么是 LangChain")
print(response.content)

最简链：提示词 + LLM + 输出解析

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template(
    "将以下文本翻译成{target_language}：{text}"
)
model = ChatOpenAI(model="gpt-4o")
chain = prompt | model | StrOutputParser()

result = chain.invoke({
    "target_language": "英文",
    "text": "人工智能正在改变世界"
})
print(result)
# Output: Artificial intelligence is changing the world.

源码架构

LangChain 仓库采用 monorepo 结构，核心代码位于 libs/ 目录下：

langchain/
├── libs/
│   ├── core/                  # langchain-core：抽象层
│   │   ├── runnables/         #   Runnable 接口（LCEL 基础）
│   │   ├── messages/          #   消息类型定义
│   │   ├── tools/             #   工具抽象与基类
│   │   ├── prompts/           #   提示词模板
│   │   ├── outputs/           #   输出解析器
│   │   └── callbacks/         #   回调系统
│   ├── langchain/             # 主包（高层的链和 Agent）
│   │   ├── chains/            #   预构建的链（问答、摘要等）
│   │   ├── agents/            #   create_agent 和 Agent 抽象
│   │   └── middleware/        #   中间件系统
│   ├── community/             # langchain-community：社区集成
│   │   ├── document_loaders/  #   100+ 文档加载器
│   │   ├── vectorstores/      #   50+ 向量存储集成
│   │   ├── llms/              #   社区 LLM 集成
│   │   └── tools/             #   社区工具集
│   ├── langgraph/             # LangGraph：图编排引擎（独立仓库）
│   ├── text-splitters/        # 文本分割器
│   └── standard-tests/        # 标准测试套件
├── .github/                   # CI/CD 工作流
└── README.md

• langchain-core：框架的基石，定义了 Runnable、消息、工具、提示词、回调等核心抽象。所有其他包都依赖此包。
• langchain：面向用户的主包，提供 create_agent、预构建链、中间件等高层 API。
• langchain-community：社区维护的集成包，包含文档加载器、向量存储、LLM 包装器等第三方集成。
• langgraph：底层的图编排引擎，实现基于 Pregel/BSP 的并行执行、状态管理、检查点和人工介入。

实操 Demo

下面是一个完整的 RAG 问答系统 Demo，演示如何使用 LangChain 从网页文档构建知识库并进行问答。

"""
完整的 RAG 问答系统 Demo
功能：加载网页文档 → 文本分割 → 向量化存储 → 检索 → 生成答案
"""

from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 1. 加载文档：从 LangChain 官方文档加载页面
print("[1/5] 正在加载文档...")
loader = WebBaseLoader(
    web_paths=["https://python.langchain.com/docs/introduction/"]
)
docs = loader.load()
print(f"  加载了 {len(docs)} 个文档，总计约 {len(docs[0].page_content)} 字符")

# 2. 文本分割：将长文档切成适合检索的小块
print("[2/5] 正在分割文本...")
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,       # 每块最大字符数
    chunk_overlap=50,     # 块之间重叠字符数，保持语义连续
    separators=["\n\n", "\n", "。", ".", " ", ""]
)
splits = text_splitter.split_documents(docs)
print(f"  分割为 {len(splits)} 个文本块")

# 3. 向量化存储：将文本块转为向量并存入 Chroma
print("[3/5] 正在构建向量数据库...")
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=embeddings,
    collection_name="langchain_docs"
)
retriever = vectorstore.as_retriever(
    search_type="similarity",  # 相似度检索
    search_kwargs={"k": 4}     # 返回最相关的 4 个文档块
)
print(f"  向量数据库已就绪，共 {vectorstore._collection.count()} 条记录")

# 4. 构建 RAG 链
print("[4/5] 正在构建 RAG 链...")

# 提示词模板：指示 LLM 如何利用检索到的上下文回答问题
template = """你是一个乐于助人的助手。请根据以下上下文回答问题。
如果上下文中没有足够信息，请如实说明不知道。

上下文：
{context}

问题：{question}

答案："""

prompt = ChatPromptTemplate.from_template(template)
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# LCEL 链：检索 → 格式化 → LLM → 解析
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 5. 提问测试
print("[5/5] 开始问答测试\n")

questions = [
    "LangChain 是什么？",
    "LangChain 支持哪些主要功能？",
    "什么是 LCEL？",
]

for i, question in enumerate(questions, 1):
    print(f"--- 问题 {i} ---")
    print(f"问：{question}")
    answer = rag_chain.invoke(question)
    print(f"答：{answer}\n")

# 额外展示：查看检索到的相关文档块
print("=== 检索示例：查看检索到的文档块 ===")
retrieved_docs = retriever.invoke("什么是 LangChain？")
for i, doc in enumerate(retrieved_docs):
    print(f"\n[文档块 {i+1}] (来源: {doc.metadata.get('source', 'unknown')})")
    print(doc.page_content[:200] + "...")

运行这个 Demo 的前提是：

# 安装依赖
pip install langchain langchain-community langchain-openai langchain-text-splitters chromadb

# 设置 API Key
export OPENAI_API_KEY="sk-..."

同类对比

特性	LangChain	LlamaIndex	Semantic Kernel
定位	通用 Agent 工程平台	文档 Agent 和 RAG 平台	企业级多语言 Agent SDK
Stars	139,000+	50,100+	28,100+
核心语言	Python	Python	C# / Python / Java
主要优势	生态最丰富，抽象设计优雅，LangGraph 提供精细控制	文档处理与检索能力业界领先，LlamaParse 文档解析出色	微软生态深度集成，支持 .NET/Java，企业级治理
Agent 模式	create_agent + LangGraph 图编排 + Middleware	Agentic Document Workflows + Workflows 1.0	Agent Framework + Planner + Process Framework
适用场景	适合需要灵活组合和复杂编排的通用 Agent 应用	适合以文档为中心的 RAG 和智能文档处理场景	适合 .NET/Java 技术栈的企业级 AI 应用
学习曲线	中等：概念较多，但 1.0 后 API 已大幅简化	中等：RAG 概念直观，高级功能需要学习	中等偏高：横跨多种语言，文档相对分散

分析：LangChain 的最大优势在于其生态丰富度和设计灵活性。三者的定位差异明显：LangChain 是一个通用平台，适合需要高度定制化的 Agent 应用；LlamaIndex 在文档处理和 RAG 方面更专业；Semantic Kernel 则面向微软技术栈的企业用户。LangChain 1.0 的发布显著改善了 API 的可用性，create_agent 函数让 Agent 构建变得极其简洁，同时 LangGraph 为需要精细控制的场景提供了强大的图编排能力。如果你需要一个生态最完善、社区最活跃的通用 Agent 框架，LangChain 是最稳妥的选择。

参考资源

• 官方文档: https://python.langchain.com/docs/
• GitHub 仓库: https://github.com/langchain-ai/langchain
• LangGraph 文档: https://langchain-ai.github.io/langgraph/
• LangSmith 平台: https://smith.langchain.com/
• LangChain 1.0 发布博客: https://www.langchain.com/blog/langchain-langgraph-1dot0
• 社区 Discord: https://discord.gg/langchain