![[../../../assets/images/pub/rzyd.webp]]

初识 LangChain：给 AI 小白的第一本说明书

本文整理自 尚硅谷 LangChain 1.2 概述课程，是「初识 LangChain」系列连载第 1 篇。

🤔 先问自己一个问题

你有没有这样的体验：

“我会用 ChatGPT 聊天、会问问题、甚至会写文案……但如果我想让它帮我做一个真正有用的东西——比如一个能查公司文档的客服、一个能自动订机票的助手、一个能帮我改代码的小弟——我完全不知道从哪里下手？”

如果你有这个困惑，那恭喜你，来对地方了。

今天这篇文章，我们不写一行代码，就用大白话聊聊：LangChain 到底是什么？为什么它最近这么火？一个小白需要了解它到什么程度？

一、LangChain 是什么？一句话说清楚

1.1 先上大白话

你可以把 LangChain 想象成 AI 世界的”乐高积木底板”。

大语言模型（比如 ChatGPT）就像一块块形状各异的乐高积木——它们很强大，但单块积木搭不出复杂的东西。

LangChain 就是那个底板 + 说明书：

• 它告诉你哪些积木能拼在一起
• 它提供了标准化的连接口，让不同品牌的积木（不同厂商的大模型）都能用
• 它还自带很多现成的组件（工具、记忆、检索……），你不用从零开始造轮子

官方定义：LangChain 是一个用于构建大模型应用的开源框架，它充当大模型与外部资源之间的中间层。

📌 图1 解读：这张图展示了 LangChain 的核心定位。最上层是你的 AI 应用，最底层是大模型（GPT、Claude、通义千问等），LangChain 夹在中间，一边统一对接各种大模型，一边提供工具、数据等能力。就像操作系统的”硬件抽象层”——你不需要知道硬件细节，只管用就行。

二、为什么需要 LangChain？大模型自己不够用吗？

好问题！让我们用一个生活场景来理解。

2.1 单一大模型的”三大死穴”

想象你请了一个超级聪明的助理（这就是大模型），他什么都懂：

• 💬 聊天没问题
• 📝 写文章没问题
• 🧮 做数学题也没问题

但如果你让他帮你订明天的机票……他傻眼了。为什么？

死穴一：没有”手脚”

大模型只会”想”和”说”，不会”做”。他不能打开浏览器、不能查航空公司网站、不能输入信用卡付款。

死穴二：没有”记忆”

你昨天跟他说”我下周要去杭州出差”，今天问他：“我之前说过要去哪？“——他完全不记得。每次聊天都是”初次见面”。

死穴三：知识是”过期”的

大模型的知识停留在训练数据截止时间。你问他”今天天气怎么样？“他不知道，因为他看不到实时数据。

单一大模型的能力：

   ✅ 能聊天           ❌ 不能操作外部系统
   ✅ 能写代码         ❌ 不能记住过去
   ✅ 能回答问题       ❌ 知识不是实时的

2.2 LangChain 的”三板斧”

针对这三个问题，LangChain 提供了对应的解决方案：

一句话总结：

LangChain 让大模型从”能聊天”进化成”能干活”。

📌 图2 解读：这张图列出了 LangChain 的六大应用场景。从左到右依次是：RAG 检索增强生成、Agent 智能体、对话系统、多模态应用、自动化写作、数据连接。每类都标注了解决的痛点和功能。小白朋友注意：目前应用最广泛的是 RAG 和 Agent，后面我们会重点介绍。

三、LangChain 的”超能力”：六大应用场景

LangChain 能做的事情，远远超出你的想象。下面用大白话 + 真实场景来解释：

🔍 场景一：RAG（检索增强生成）

痛点：大模型不知道你们公司的内部文档、产品手册、历史订单怎么办？

解法：把公司文档”喂”给 LangChain，让它代替模型先查资料，再把答案告诉模型。

类比：就像你考试时带了一本小抄——题目不会？先翻翻书，再结合题目作答。

  你的提问         LangChain 做了什么           结果
     ↓                   ↓                       ↓
"我们的退货   →   1. 找到《退货政策》文档   →  "根据公司第三版
政策是什么？"      2. 提取相关条款             退货政策第5条……”
                  3. 把政策+问题一起问模型

🤖 场景二：Agent（智能体）

痛点：你不想一步步吩咐 AI，你想让它自己想办法完成复杂任务。

解法：给 Agent 一个目标 + 一堆工具，让它自己规划、执行、失败重试。

类比：就像你给秘书发一条微信：“帮我安排下周去杭州的出差”。然后秘书自己查机票、订酒店、安排行程，每一步都自己决定，做完再汇报你。

  Agent = 大脑（LLM）+ 规划能力 + 工具 + 记忆 + 行动力
  
  你说："帮我写一份上周的销售周报"
  Agent 自动做：
    1️⃣ 打开数据库，拉取上周销售数据
    2️⃣ 用 Python 分析数据趋势
    3️⃣ 生成图表
    4️⃣ 写成 Word 文档
    5️⃣ 通过邮件发给你

💬 场景三：智能对话系统

痛点：ChatGPT 聊完就忘，你每次都要重新介绍自己？

解法：给对话加上长期记忆——记住你是谁、你的偏好、你们之前聊过什么。

类比：ChatGPT 像个”每次见面的客服”，LangChain 像个”记得你喜好的老朋友”。

🎨 场景四：多模态应用

痛点：只想做文字应用？想多了，AI 还能”看”图、“听”音。

解法：LangChain 打通了文字、图片、音频的通道，让模型能综合理解多种信息。

类比：从只能”打电话”（文字），升级成能”视频通话”（图+音+文）。

✍️ 场景五：自动化写作与格式化输出

痛点：AI 写的内容格式不标准，每次都要手动调整？

解法：配合提示词模板 + 输出解析器，让 AI 直接产出符合规范的文档。

类比：AI 不再是”自由发挥的诗人”，而是”按模板填表的文员”。

🔗 场景六：数据连接与结构化处理

痛点：公司有一堆 PDF、Excel、数据库，AI 读不了？

解法：LangChain 能直接对接各种数据源，让模型能自然语言查数据库。

类比：你不用写 SQL 了，直接对 AI 说：“帮我查一下上个月销量最高的产品”，它自动翻译成人话→SQL→查数据库→返回结果。

四、LangChain 的”四大家族”

随着 LangChain 的发展，它已经从一个单独的框架，进化成了一个家族。这四个成员分工明确：

🏠 家族全景图

┌──────────────────────────────────────────────────────┐
│                    你的 AI 应用                        │
├──────────────────────────────────────────────────────┤
│                      LangSmith                        │
│            （监控、调试、评估——"体检中心"）              │
├──────────────────────────────────────────────────────┤
│                     Deep Agent                        │
│          （高级智能体能力——"专家顾问团"）                │
├──────────────────────────────────────────────────────┤
│                     LangGraph                         │
│           （工作流编排——"项目管理软件"）                │
├──────────────────────────────────────────────────────┤
│                     LangChain                         │
│           （基础能力层——"操作系统内核"）                │
└──────────────────────────────────────────────────────┘

📌 图3 解读：这张图展示了 LangChain 家族的四大支柱。从下往上看：LangChain 是地基，提供统一模型调用和基础组件；LangGraph 在上面编排复杂工作流；Deep Agent 提供更强的自主规划能力；LangSmith 是顶层的监控平台。它们不是四选一的关系，而是像搭积木一样可以组合使用。

🧱 第一位成员：LangChain（基础能力层）

一句话：整个家族的”地基”。

它提供了：

• 统一的模型调用方式（GPT、Claude、国产大模型都能用）
• 消息、工具、中间件等基础组件
• 丰富的外部数据源集成

类比：就像智能手机的操作系统，所有 App 都跑在它上面。

适合场景：构建简单的智能体应用，不需要复杂的流程编排。

🎼 第二位成员：LangGraph（工作流编排层）

一句话：让 AI 能处理复杂的多步骤任务。

它把任务抽象成一张”有向图”：

• 节点（Node）：每个步骤做一个事
• 边（Edge）：决定下一步走哪里
• 状态（State）：所有步骤共享的”记事本”

📌 图4 解读：这张图用”打车去西藏”的例子解释了 LangGraph 的图式结构。你可以看到：

• 节点（Node）：每个圆圈就是一个具体步骤（规划路线、订饭店、订酒店……）
• 边（Edge）：连接线表示步骤之间的流转关系
• 状态（State）：贯穿全程的”旅行计划”，保存了所有中间结果

这种方式的好处是：流程看得见、改得了、回得去——出错了可以直接定位到某个节点，不用从头再来。

通俗理解：

LangChain = 能力层（有什么能力）→ 负责"有什么"
LangGraph = 编排层（怎么跑）    → 负责"怎么做"

适合场景：多步骤、有循环、需要精确控制的复杂工作流。

🧠 第三位成员：Deep Agent（智能体执行框架）

一句话：让 AI 不仅能做，还能自己规划、自己调整。

它的核心能力：

• 显式规划：自己制定任务计划，失败了还能改
• 虚拟文件系统：暂时存中间结果，不占用大脑内存
• 子智能体：遇到复杂问题，派小弟去干
• 长期记忆：跨对话积累经验

📌 图5 解读：这张图展示了三者的层级关系。最底层是 LangChain（基础能力），中间是 LangGraph（编排引擎），最上层是 Deep Agent（智能体框架）。箭头表示”构建于之上”——Deep Agent 依赖 LangGraph 的编排能力，LangGraph 依赖 LangChain 的基础能力。就像盖房子：LangChain 是地基，LangGraph 是框架，Deep Agent 是装修。

类比：一个自带秘书团的CEO——它会分解任务、分配下属、追踪进度、总结经验。

适合场景：需要深度规划、长期记忆、多专家协作的复杂智能体。

🔭 第四位成员：LangSmith（监控与评估层）

一句话：让你能**“看见” AI 是怎么想的**。

当 AI 越来越复杂时，你总不能靠猜它在干什么吧？LangSmith 提供了：

• 全链路追踪：模型每一步做了什么，清清楚楚
• 调试工具：找到 AI 犯错的原因
• 评测系统：量化 AI 的表现好坏

📌 图6 解读：这张图展示了 LangSmith 的监控界面。你可以看到一次完整的 AI 调用链路：用户输入 → 模型思考 → 工具调用 → 结果返回。每一步的时间、输入输出、Token 消耗都记录在案。就像 AI 的”行车记录仪”——出了问题可以回放，想优化可以看数据。

类比：就像 AI 的体检中心 + 行车记录仪。出了问题，翻录像；想提效果，看数据。

四者关系总结

重要提醒：这四个不是竞争关系，复杂项目可以同时用到它们。官方建议：

快速起步用 LangChain → 复杂控制用 LangGraph → 更强能力用 Deep Agent → 监控调优用 LangSmith

五、LangChain 的”进化简史”

了解了现在，我们再来看看它是怎么走到今天的。

📌 图7 解读：这张图用时间轴展示了 LangChain 的五个发展阶段：

1. 诞生（2022.10）：Harrison Chase 创建，专注 PromptTemplate 等基础模块
2. 探索期（2022Q4-2023Q1）：GitHub Star 快速破万，社区走红
3. 体系化（2023Q2-Q4）：引入 Tool、Agent、Retrieval，推出 LangSmith
4. 平台化（2024-2025H1）：LangGraph + LangServe 发布，从框架到平台
5. 深层智能体（2025H2至今）：Deep Agent 发布，进入多智能体时代

小白重点记住：2025 年 10 月发布的 v1.0 是里程碑——官方承诺 API 稳定，不再”版本碎钞”。

🚨 一个有趣的历史插曲：v0.3 的”黑暗时期”

在 2024 年，LangChain 经历了一次痛苦转型：

• 官方推出了 LangGraph，把之前的核心功能标记为”弃用”
• GPT-4 普及后，很多 LangChain 封装的功能（工具调用、结构化输出），模型自己就能做了
• 很多开发者觉得：“我直接用模型就行了，干嘛还要 LangChain？”

结果就是：开发者大规模流失，社区一片吐槽。

但到了 2025 年，LangChain 彻底重构，发布了 v1.0：

• 承诺 API 稳定，在 2.0 之前不再搞破坏性变更
• 完成 1.2 亿美元融资，估值超 12 亿美元
• 正式确立了 LangChain + LangGraph 的双引擎战略

从 v0.3 到 v1.2 的进化：

📌 图8 解读：这张表格对比了 v0.3 和 v1.2 的核心差异。注意看几个关键变化：

• Agent 构建：从”硬编码”变成 create_agent 统一入口
• 工具定义：从”类型不安全”变成 Pydantic 强类型
• 结构化输出：从”靠正则匹配”变成模型底层保证
• 扩展机制：从”改源码”变成中间件系统（像装插件一样扩展）

一句话：v1.2 是一个更稳定、更强大、更适合企业用的版本。

小白结论：现在开始学 LangChain，选 v1.x，官方承诺稳定，不用怕学完就过时。

六、大模型应用开发的”四大招式”

作为小白，你可能会想：“我想做个 AI 应用，第一步该干嘛？”

别急，开发界有四大招式，从易到难，你可以按需选择：

🥉 第一招：纯 Prompt（最简单）

怎么做：直接跟 AI 聊天，用自然语言提要求。

类比：就像你跟一个新员工说”帮我写个邮件”，他写你看，你看完再让他改。

适合：临时任务、单次使用

🥈 第二招：Agent + Function Calling（进阶）

怎么做：AI 遇到不会的事，会主动调用外部工具（查天气、查数据库、写文件）。

类比：就像你问天气，AI 说”等一下，我查一下天气预报”，然后打开一个天气网站，看完再告诉你。

适合：需要对接外部系统的场景

🥇 第三招：RAG（检索增强生成）

怎么做：先检索外部资料，再结合资料回答问题。

类比：就像开卷考试——题目不会？先翻书，找到了再答题。

适合：需要”领域知识”的场景（客服、文档问答、法律咨询）

🏅 第四招：Fine-tuning（微调/精调）

怎么做：用特定领域的数据训练模型，让模型本身变得更懂。

类比：就像学生努力学习考试内容，长期记住，活学活用。

适合：特殊场景、前三种解决不了的情况

📊 四大招式对比

💡 建议：作为小白，先从 Prompt → RAG → Agent 的顺序学。Fine-tuning 等后面再说。

📌 图9 解读：这张图用四个象限展示了四种技术的适用场景：

• 纯 Prompt：最简单，适合”说一句答一句”的对话
• Agent + Function Calling：AI 会主动要求调用外部工具
• RAG：需要补充领域知识时使用（目前应用最广）
• Fine-tuning：成本最高，前三种解决不了再考虑

小白建议：先掌握前三种，Fine-tuning 等工作有需求了再学。

七、想学 LangChain，我需要准备什么？

别被吓到，门槛没有你想象的那么高。

3.1 前置知识清单

一句话门槛：会用 Python 写”Hello World”，用过 ChatGPT 聊天——够了。

3.2 开发环境

需要安装：

• Python 3.10+（推荐 3.13）
• 虚拟环境（推荐 conda 或 uv）
• LangChain 包
• 一个 IDE（推荐 PyCharm）

# 快速安装命令（给有基础的朋友看）
conda create --name langchain1.2 python=3.13
conda activate langchain1.2
pip install langchain==1.2.12

小白别慌，下一篇我们会手把手教你从零搭建环境，到时候跟着做就行。

3.3 心态准备

最重要的一条：

不要试图学完 LangChain 的所有 API，那是不可能的。

把它当成一个工具箱，而不是教科书：

• 搞懂核心逻辑和核心模块
• 用到什么再查什么
• 先跑起来，再优化

🌰 举个完整的例子：用 LangChain 做一个”公司文档问答助手”

假设你在一家电商公司，老板让你做一个能回答”退货政策”的智能客服。

你会用到 LangChain 的哪些能力？

步骤1：【数据加载】把《退货政策.pdf》加载进来
          → LangChain 的 DocumentLoader

步骤2：【文本切分】把长文档切成小块
          → LangChain 的 TextSplitter

步骤3：【向量化】把文字转成"数字向量"
          → LangChain 的 Embeddings + 向量数据库

步骤4：【检索】用户提问时，先找到最相关的文档片段
          → LangChain 的 Retriever

步骤5：【生成回答】把"问题 + 文档片段"一起发给大模型
          → LangChain 的 LLM

步骤6：【输出】整理成友好的格式返回给用户
          → LangChain 的 OutputParser

一句话串起来：

这就是 RAG 的基本流程——让 AI “查资料后回答你”，而不是”自由发挥编答案”。

📝 总结：一分钟速成版

🎯 下节预告

在下一篇文章里，我们会进入实战环节：

🔧 从零搭建 LangChain 开发环境

• 安装 Python 和 conda
• 创建虚拟环境
• 安装 LangChain
• 跑通你的第一行代码

不需要任何基础，跟着做就能成功。

到这里就结束了，后续还会更新 LangChain 系列相关，还请持续关注！ 感谢阅读，若有错误可以在下方评论区留言哦！！！

![[../../../assets/images/pub/clw.webp#pic_center)]]