LangChain 使用教程：LLM 应用开发框架入门

LangChain 是什么

LangChain 是面向开发者的开源大模型应用框架（含 langchain-core、langchain、langgraph 等库），提供从构建、测试到部署的全套工具链。它解决的核心问题是：如何把大模型从"聊天接口"变成"可组合、可编排、可监控的应用系统"。

配套的 LangSmith 平台提供轨迹追踪与标准化评测，LangGraph 负责复杂工作流与持久状态编排——三者构成完整的智能体工程体系。

环境准备：Python 3.9+（或 Node.js 环境），使用 pip install langchain（Python）或 npm install langchain（Node）安装。建议同时安装 langchain-openai 等模型接入包。

第一步：接入模型
（Python 示例）
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", api_key="sk-xxx")
国产模型同样支持，按厂商 SDK 替换即可。

第二步：构建提示模板
（Python 示例）
from langchain.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_template("你是{role}，请回答：{question}")

第三步：串联 Chain
（Python 示例）
chain = prompt | llm
resp = chain.invoke({"role": "AI助手", "question": "什么是RAG？"})
print(resp.content)

第四步：接入工具（Function Calling）
用 @tool 装饰器定义工具函数，让模型在对话中调用外部能力（查天气、查数据库等）。

第五步：用 LangGraph 编排 Agent
当需要多步骤、带状态的工作流（先检索→再推理→最后执行），使用 LangGraph 构建图结构，实现生产级编排。

核心框架开源免费；LangSmith 的企业级功能（高级评估、监控）按订阅收费，具体以官网公示为准。

Q：新手有必要学 LangChain 吗？
A：做简单的单轮问答直接调 API 即可；需要 Agent、记忆、多步工作流时，LangChain/LangGraph 能显著降低开发成本。

Q：和 LlamaIndex 怎么选？
A：两者各有侧重。LangChain 偏 Agent 编排与工作流，LlamaIndex 偏数据检索与 RAG。复杂项目常可搭配使用。

Q：学习资料多吗？
A：非常多。官方文档完善、社区教程丰富，中文资料也已很全。

LangChain 是当前构建 LLM 应用的"事实标准"框架：模型接入、工具调用、记忆、Agent 编排一应俱全。对想从"调 API"进阶到"做 AI 应用"的开发者，它是必学的一环——建议从 Chain 起步，再逐步上手 LangGraph。