当前位置：首页 > news >正文

第一篇：LangChain 1.0 框架深度解析：10行代码构建企业级AI应用的核心秘诀

news 2026/5/11 16:17:58

📌所属章节：第一阶段 - LangChain 框架介绍

📚 系列目录 | 下一篇：LangChain 模块化管理 - langchain-core →

📋 摘要

本文详细讲解了LangChain 框架介绍，包括核心概念、实战代码示例和最佳实践。通过本文的学习，你将掌握 LangChain 1.0 的核心技术要点，能够快速构建基于大模型的 AI 应用。

适合人群：

想系统学习 LangChain 1.0 的开发者
需要构建 AI Agent 应用的工程师
对 LLM 应用开发感兴趣的技术爱好者

LangChain 1.0 框架基础入门实战

第一阶段、LangChain 框架介绍

LangChain 是一个构建 LLM 应用的框架，目标是把 LLM 与外部工具、数据源和复杂工作流连接起来 —— 支持从简单的 prompt 封装到复杂的 Agent（能够调用工具、做决策、执行多步任务）。它不仅仅是对LLM API的封装，而是提供了一套完整的工具和架构，让开发者能够更轻松地构建上下文感知和具备推理能力的AI应用。LangChain 1.0 版本把“Agent 的稳定化、结构化输出、可观测性与生产化”作为核心改进目标。

1.1 用 LangChain 能做什么？

构建 Retrieval-Augmented Generation（RAG）问答系统
把 LLM 当作“Agent”去调用外部 API（搜索、数据库、文件系统）并返回任务结果
组织 prompt → 模型 → 后处理的可复用流水线（Chains）
实现多轮对话带记忆（Memory）与长会话管理
在生产中管理可观测性与评估（配合 LangSmith/LangGraph）

核心价值：让开发者用10行代码完成原本需要1000行代码的AI应用，并且自动获得状态持久化、人工干预、并发控制等企业级能力。

1.0 的架构风格可以用一句话概括:以“统一智能体抽象 + 标准化内容表示 + 可插拔治理中间件”为设计骨干,以 LangGraph 为底座运行时,实现“开发简单性”与“生产可控性”的兼顾。它一方面通过 create_agent 提供低门槛的构建入口,另一方面保留足够的钩子点与下探能力,以满足复杂工作流与高标准治理的需求。

你要做什么AI应用？ │ ├─ 只想简单调用模型聊天（翻译/问答） │ └─> 直接用OpenAI SDK（更轻量，无需LangChain） │ ├─ 需要联网查资料、执行代码、操作数据库 │ └─> 用LangChain 1.0（快速搭建Agent） │ └─> 参考：客服机器人、数据分析助手 │ ├─ 流程很复杂（多人审批/定时任务/状态分支） │ └─> 用LangGraph 1.0（精确控制每个步骤） │ └─> 参考：自动化工作流、ERP系统集成 │ └─ 不确定，先试试想法 └─> 用LangChain 1.0快速验证，后期可无缝迁移到LangGraph

1.2 LangChain 生态概览

模型层（Models）

LangChain 1.0 的统一模型抽象层，为所有模型提供标准化调用，覆盖文本、多模态、Embedding、Rerank 等多类型模型，实现跨供应商一致体验

统一抽象：init_chat_model() 适配20+模型厂商
异步/流式/批处理：ainvoke()，stream(), batch()
执行方式：完全兼容 LCEL 与 LangGraph
扩展能力：with_structured_output()、Tool Calling、多模态 Content Blocks

工具层（Tools）

工具系统提供统一 Tool 抽象，支持所有主流模型的 Tool Calling，深度集成 LangGraph，构建可执行 agent 环境的关键能力层

内置工具：搜索、计算、代码执行等100+工具
自定义工具：@tool装饰器 / BaseTool / ToolNode
工具包：Toolkit（如GitHub、Slack集成）

记忆层（Memory）

记忆层提供统一 State 管理、对话记录、长期检索、多模态 Memory 等能力，支持持久化与复杂工作流状态流转

短期记忆：消息历史自动管理
长期记忆：向量数据库存储（Chroma, Pinecone）
存储接口：Store（跨会话持久化）

Agent层（Agents）

LangChain 1.0 Agents系统实现从碎片化到标准化升级，以create_agent为核心接口，基于LangGraph构建统一Agent抽象，10行代码即可创建基础Agent，封装"模型调用→工具选择→执行→结束"闭环流程

核心API：create_agent()
执行引擎：LangGraph Runtime（自动持久化）
中间件：Middleware（HITL、压缩、路由）

工作流层（Workflows）

Workflows 体系实现从线性链式（Chain）到图结构（Graph）的范式转移，以 StateGraph 为核心画布，将业务逻辑解耦为 “节点（Node）+ 边（Edge）+ 状态（State）”，原生支持循环（Loop）与条件分支，完美适配复杂任务编排、容错重试及长会话保持。

简单链：Chain（快速串联）
复杂图：LangGraph（条件分支、循环）
模板库：LangChain Hub（共享Agent模板）

调试监控层（Debugging）

LangChain 1.0 调试监控层实现了从日志黑盒到全链路可观测性（Observability）的质变，深度集成 LangSmith 平台，自动捕获链（Chain）与图（Graph）的每一步骤状态、Token 消耗及延迟，支持"Trace → Playground"一键回放调试，彻底解决复杂 Agent 逻辑难以排查的痛点。

本地日志：verbose=True
云端平台：LangSmith（可视化链路追踪）
评估工具：LangChain Evaluate（效果评估）

其他关键组件 (LangGraph & LangServe)

langgraph: 这是一个底层的Agent 调度框架(Agent Runtime)，是一个相对“低级”（Low-level）的编排框架，它专注于解决复杂的“控制流”问题，用于构建健壮且有状态的多角色 LLM 应用程序。LangChain 1.0 中的新 Agents (通过 create_agent()) 就是建立在 LangGraph 之上的。
langserve: 用于将任何 LangChain chain 或 agent部署为 REST API的包，方便快速将应用投入生产环境。

1.3 LangChain 1.0 底层运行架构

# 简化版架构示意图┌─────────────────────────────────────────┐ │ LangChain1.0应用层 │ │(create_agent,工具和中间件)│ └──────────────────┬──────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ LangGraph 编排层 │ │(StateGraph,Nodes,Edges,Checkpoints)│ └──────────────────┬──────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ LCEL 运行时层 │ │(Runnable接口,|运算符,流式/批处理)│ └──────────────────┬──────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 大语言模型API(OpenAI/DeepSeek)│ └─────────────────────────────────────────┘

LCEL：提供Runnable接口（invoke, stream, batch）和组合原语（|运算符），是无状态的函数式编排，构建“流水线（pipeline）”的工具
LangGraph：在LCEL基础上增加状态管理（State）、循环控制（Cycles）、持久化（Checkpoints），是有状态的图结构编排，构建“流程图（workflow/graph）”的工具

1.4 Runnable底层执行引擎

Runnable 是 LangChain 1.0 的“统一接口标准”，任何可以运行的组件——模型、Prompt、工具、解析器、Memory、Graph 节点——在 1.0 中都被抽象为 Runnable。

Runnable 使所有 LangChain 组件能够以统一接口组合、执行、链式调用，并支撑 LCEL（LangChain Expression Language）的整个运行语义，支撑可组合、可并行、可路由的链式执行，是 LangChain 1.0 的核心底座之一。

核心思想：Runnable 抽象与可组合链（Composable Chains）

LangChain 1.0将所有链式元素统一为 Runnable（执行模型）：

LLM（OpenAI、vLLM、Ollama……）
Prompt
Parser
Retriever
Tool
Agent
自定义函数

所有对象都可以 .invoke()、.batch()、.stream()、.astream_events()，这实现了真正的统一调用接口。

工程价值：
- 链路清晰。
- 任意组件之间可无缝组合。
- 所有执行方式（同步 / 异步 / 批处理 / 事件流）统一。
- 这是 LangChain 1.0 最具革命性的改变，使其成为“模型调用管道”的事实标准。

Prompt Runnable

fromlangchain_core.promptsimportChatPromptTemplate# 1. 定义一个 Prompt (Runnable)prompt=ChatPromptTemplate.from_template("Tell me a joke about {topic}")# Prompt 也可以调用 invoke/streamprint(prompt.invoke({"topic":"ice cream"}))

输出结果：

[HumanMessage(content='Tell me a joke about ice cream', additional_kwargs={}, response_metadata={})]

Tool Runnable

fromlangchain_core.toolsimporttool# 2. 定义一个简单的 Tool (Runnable)@tooldefmultiply(a:int,b:int)->int:"""Multiplies a and b."""returna*b# Tool 也可以调用 invoke/batchprint(multiply.invoke({"a":2,"b":3}))# Tool 也可以调用 batch (自动并行)print(multiply.batch([{"a":2,"b":3},{"a":4,"b":5}]))# 输出: [6, 20]

输出结果：

6 [6, 20]

Runnable = LCEL 的语法基础

LCEL（| 运算符）是由 Runnable 定义的组合语义：

chain=prompt|model|StrOutputParser()output=chain.invoke({"topic":"LangChain"})

这三者本质都是 Runnable：

[PromptTemplate](06_messages_prompt.md)→ Runnable Model → Runnable Parser → Runnable

任何 LCEL chain = 多个 Runnable 的组合。

技术	在 LangChain 1.0 的角色
LangChain	构建 LLM + prompt + tool + outputparser 的组件生态
LangGraph	构建 Agent / 多步工作流 / 状态机的框架
LCEL / Runnable	LangChain 的底层执行引擎，依然核心