2026/7/23

LangChain 是开源大语言模型 (LLM) 应用开发框架
⚠️重点：它本身不是大模型（不是 GPT、LLaMA），而是一套工具箱 / 胶水框架，用来把大模型和外部数据、工具、业务流程串联起来，快速搭建复杂 AI 程序。
通俗类比：
大模型 = 人类大脑，只会思考、说话；
LangChain = 给大脑配上记忆、手脚、知识库、工作流程；
让 AI 不再只能单纯问答，能读本地文档、联网搜索、调用接口、记住对话、自动分步完成任务。
诞生时间：2022 年底，支持 Python / JavaScript，目前构建 RAG 知识库、AI Agent 最主流框架之一。
二、解决什么痛点？
只直接调用 OpenAI / 本地大模型 API 会遇到一堆难题：
大模型没有长期记忆，多轮对话很难维护上下文；
模型知识有截止时间，不能读取你自己的私有文档（PDF/Word/ 数据库）；
想要 AI 调用搜索、查数据库、执行代码，重复代码非常多；
复杂任务（先检索→总结→生成报表）流程很难编排；
切换不同大模型（GPT / Claude / 本地 LLaMA）需要大量改造代码。
LangChain 把这些通用能力封装成标准化组件，拿来即用。
三、六大核心组件（乐高积木）
Models（模型层）
提供统一接口，兼容 OpenAI、Claude、Ollama 本地模型、通义千问等；同时包含 Embedding 嵌入模型（文本转向量，用于知识库检索）。
Prompts（提示词模板）
统一管理提示词，支持变量填充、少样本示例，避免硬编码 prompt，方便维护。
Memory（记忆）
保存对话历史，实现多轮聊天；区分短期会话记忆、长期持久化记忆。
Retrieval（检索模块，RAG 核心）
文档加载 → 文本分割 → 向量化 → 向量数据库存储 → 相似度检索
实现私有知识库问答，解决大模型幻觉、知识过时问题。
Chains（链）
把多个步骤串联成流水线。
例：加载文档 → 检索相关片段 → 传入LLM生成答案，就是一条检索问答链。新版主推 LCEL 声明式语法构建链路。
Agents（智能体）
最高阶能力：让大模型自主判断该调用什么工具。
用户下达复杂指令，AI 自己决策：要不要搜索、查数据库、调用 API，自动规划步骤。
配套生态：
LangGraph：LangChain 扩展，支持循环、分支、状态管理，用来开发复杂 Agent；
LangSmith：调试、日志、评测、监控平台，排查 AI 应用问题。
四、最常见落地场景
RAG 私有知识库问答（企业文档机器人、PDF 问答）【使用最多】
多轮对话客服、聊天机器人
AI Agent 智能助理：联网查询、操作 API、自然语言查 SQL 数据库
文档批量处理：摘要、翻译、信息抽取
自动化工作流、代码助手、数据分析机器人
五、容易混淆的关键点
✅ LangChain ≠ 大模型；只是调度框架
✅ LangChain 不是唯一框架，竞品：LlamaIndex、Haystack
✅ 不是必须用 LangChain！简单问答直接调用 LLM API 足够；需要 RAG、Agent、复杂流程编排时才体现优势
六、极简开发流程示意（RAG 场景）
加载 PDF/TXT 文档
切分文本块
通过 Embedding 转为向量存入向量库（Chroma、FAISS 等）
用户提问 → 将问题向量化，检索相似文档片段
将【检索内容 + 用户问题】一起喂给 LLM
返回基于私有文档的答案