LangChain 入门：把 LLM 应用串起来

LangChain 可以先理解为一个 LLM 应用开发工具箱。它把模型调用、Prompt、文档检索、工具调用、链式流程、回调日志等能力封装起来，帮助我更快搭建 AI 应用。

核心理解

LangChain 不是一个模型，而是把模型、数据、工具和流程串起来的开发框架。

解决什么问题

只调用一次模型 API 并不难，难的是把它变成完整应用。LangChain 主要解决这些工程问题：

统一模型调用

不同模型和厂商接口不一样，框架可以提供更统一的调用方式。

组织 Prompt 和流程

把 Prompt、模型、输出解析、检索器等组件串成可复用流程。

连接外部数据

加载文档、切分文本、生成 Embedding，并接入向量库和 Retriever。

支持工具与 Agent

把函数封装成工具，让模型根据任务决定是否调用。

核心组件

模型与 Prompt

用统一接口调用不同 LLM，把系统提示、用户输入、上下文材料组织成消息，并解析模型输出。

Chain / LCEL

把多个步骤串起来，例如：输入问题 → 构造 Prompt → 调用模型 → 解析输出。LCEL 更强调可组合、可流式、可调试。

文档与检索

负责文档加载、文本切分、Embedding、向量库和 Retriever，是搭建 RAG 应用的基础。

工具与 Agent

工具是可调用函数，Agent 是让模型根据目标选择工具、读取结果、继续决策的运行方式。

回调与调试

回调可以记录运行过程、支持流式输出、观察每一步输入输出，方便排查问题。

生态位置

名称	定位	我该怎么理解
LangChain Core	基础抽象	消息、Prompt、Runnable、工具等底层接口
集成包	连接外部服务	接模型、向量库、文档加载器、第三方工具
LangGraph	有状态编排	复杂 Agent、循环、恢复、人类介入
LangSmith	调试评测	追踪运行过程、评估效果、排查 Bad Case

一句话：LangChain 适合快速搭应用，LangGraph 适合管复杂流程，LangSmith 适合看清运行过程。

学习路径

1. 先学模型和 Prompt

   理解消息格式、System Prompt、User Prompt、Temperature、输出解析。

2. 再学 Chain / Runnable

   学会把多个步骤组合起来，而不是把所有逻辑写在一个函数里。

3. 然后学 RAG

   掌握文档加载、切分、Embedding、向量库、Retriever 和检索问答链。

4. 最后学工具和 Agent

   把函数封装成工具，让模型在多步任务中决定是否调用工具。

使用时的判断

场景	是否适合 LangChain
只调用一次模型 API	不一定需要，直接 SDK 更简单
要快速做 RAG Demo	适合，组件比较完整
要组合 Prompt、检索、工具	适合，能减少重复封装
要做复杂有状态 Agent	可以结合 LangGraph
对性能和依赖极度敏感	需要评估框架带来的复杂度

总结速记

速记

LangChain = LLM 应用开发工具箱。

核心组件可以记成：模型 / Prompt、Chain、文档检索、Memory、工具 Agent、回调调试。

学习顺序：先会调用模型，再会串流程，再做 RAG，最后做工具和 Agent。