目录

• 什么是LangChain？
  • 一、定义与价值
  • 二、核心模块架构
  • 三、典型应用场景
  • 四、优势与挑战
  • 五、与其他框架的对比

---

参考

• LangChain 中文入门教程 (opens new window)

• 基于LangChain+LLM的本地知识库问答：从企业单文档问答到批量文档问答 (opens new window)

• 超详细的LangChain入门总结 (opens new window)

• LLM预备知识、工具篇——LLM+LangChain+web UI的架构解析 (opens new window)

• 大模型之LangChain介绍 (opens new window)

• 什么是LangChain？从零开始入门 LangChain (opens new window)

• 什么是LangChain？收藏这篇就够了 (opens new window)

• 什么是LangChain？一文彻底搞懂什么是LangChain (opens new window)

• 从零开始入门 LangChain (opens new window)

• 一文彻底搞懂什么是LangChain？ (opens new window)

• 大白话学langchain：什么是 Langchain 及其核心概念（附教程） (opens new window)

---

LangChain

什么是LangChain？

LangChain 是一个开源的大型语言模型（LLM）应用开发框架，旨在简化基于语言模型的复杂应用构建过程。通过模块化设计和链式工作流，它解决了 LLM 开发中的关键痛点，支持开发者高效连接模型、数据源和工具。支持Python和TypeScript两种语言。

---

一、定义与价值

1. 核心定位： LangChain 是 LLM 的“编程框架”，提供标准化接口和组件，让开发者像搭积木一样构建 AI 应用（如知识库问答、智能客服、自动化流程）。

   • 类比：LangChain 相当于数据库领域的 JDBC，统一不同模型（OpenAI、ChatGLM 等）的调用方式。
   • 核心能力：数据感知（连接外部数据）和自主性（与环境交互）。

2. 解决的核心问题：

   • 模型接口不统一：封装 OpenAI、Hugging Face 等模型的 API，支持一键切换模型。
   • 长文本处理限制：通过向量数据库（如 Faiss、Milvus）存储和检索超长文本，突破 LLM 的 Token 限制（如 ChatGPT 的 4K 上限）。
   • 上下文管理：通过 Memory 模块维护多轮对话状态，避免 LLM 无记忆的问题。
   • 功能扩展：动态调用外部 API、计算器、搜索引擎等工具（如 Google 搜索、Wolfram Alpha）。

3. 设计理念：

   LangChain 框架采用模块化设计，整个架构由多个相互关联的包组成：

   • ‌核心层(langchain-core)‌：包含LLM、向量数据库、检索器等核心组件的抽象接口。

   • ‌集成层‌：分为主流集成包(如langchain-openai)和社区集成包(langchain-community)。

   • ‌应用层(langchain)：包含构建LLM应用所需的高级组件，如各种链(Chain)结构和代理(Agent)实现。

---

二、核心模块架构

最新版 LangChain (0.1.x) 核心模块架构：

模块	功能与核心价值	典型组件/工具	关键能力
Model I/O	统一模型交互接口 标准化 LLM、Chat Model 和 Embeddings 的调用方式	ChatOpenAI (GPT-4-turbo) HuggingFaceEndpoint (HF推理端点) Ollama (本地模型) text-embedding-3-small	• 流式输出 • 异步支持 • 多模态扩展 (实验性)
Prompts	动态提示工程管理 支持模板化、少样本学习和结构化提示生成	PromptTemplate FewShotPromptTemplate ChatPromptTemplate MessagesPlaceholder	• LCEL 表达式支持 • 自动提示优化 • 多角色对话管理
Retrieval	检索增强生成（RAG） 端到端数据加载、处理和检索解决方案	Chroma/Pinecone RecursiveCharacterTextSplitter MultiVectorRetriever ParentDocumentRetriever	• 混合检索 (关键词+语义) • 自动元数据提取 • 多文档类型支持 (PDF/HTML/Markdown)
Agents	自主任务执行引擎 通过工具链动态解决复杂问题	create_openai_tools_agent Tool (自定义工具) AgentExecutor XMLAgent (结构化输出)	• 并行工具调用 • 自我修正能力 • 实时环境交互
Chains	可组合工作流引擎 通过 LCEL 声明式语法构建复杂管道	create_retrieval_chain create_sql_query_chain create_history_aware_retriever	• 可视化编排 (LangSmith) • 错误回退机制 • 中间结果缓存
Memory	上下文状态管理 短期对话记忆和长期知识存储	ConversationBufferWindowMemory VectorStoreRetrieverMemory RedisChatMessageHistory	• 自动摘要生成 • 跨会话状态保持 • 知识图谱集成
LangSmith	全链路可观测平台 生产级监控、调试和分析工具	tracing_v2 RunTree Dataset Evaluation	• Token级追踪 • 性能分析仪表盘 • A/B测试支持

现代化 RAG 工作流（2024 最佳实践）

---

三、典型应用场景

1. 本地知识库问答：
   • 流程：文档加载 → 文本分割 → 向量化存储 → 语义搜索 → LLM 生成答案。
   • 工具链：PDFLoader + Faiss + ChatGLM（如 langchain-ChatGLM (opens new window)）。
2. 智能助手：
   • 结合搜索工具（如 SerpAPI）实现实时信息查询（例：查询天气并计算年龄）。
3. 自动化工作流：
   • 邮件分析 → 提取关键信息 → 生成报告 → 调用 API 发送审批。
4. 多模态应用：
   • 集成 Whisper（语音）、GPT-4V（图像）处理音视频内容。

---

四、优势与挑战

优势	挑战
模块化设计：200+ 开箱即用组件（如 Prompts、Chains）	学习曲线陡峭：组件多，调试复杂
跨模型兼容：无缝切换 OpenAI、ChatGLM 等模型	文档简略：高级功能需深入源码
生态丰富：集成 50+ 工具（Google 搜索、SQL 数据库）	安全风险：Agents 可能执行不安全代码
长文本处理：支持亿级向量检索（Faiss）	延迟较高：需结合缓存优化响应速度

---

五、与其他框架的对比

与LlamaIndex等同类框架相比，LangChain具有以下特点：

特性	LangChain	LlamaIndex
‌设计理念‌	"胶水框架"，强调与外部工具的连接能力	专注于数据索引和查询优化
‌核心功能‌	模块化工具链，支持复杂流程编排	简化数据索引和检索过程
‌适用场景‌	需要多工具集成的复杂应用	以文档检索为主的轻量级应用
‌学习曲线‌	相对陡峭	较为平缓