从入门到实战：LangChain全面解析，轻松搭建企业级LLM应用

在大模型应用开发的浪潮中，很多开发者都会遇到一个共性难题：单独调用LLM（大语言模型）只能实现简单的文本生成，无法对接外部数据、无法调用工具，更无法完成多步骤的复杂任务。而LangChain的出现，正是为了解决这一痛点——它不是一款替代LLM的工具，而是一个“连接大语言模型与真实世界”的开源框架，能让开发者像搭积木一样，快速构建从简单对话机器人到复杂智能代理的各类LLM应用。

本文将从LangChain的核心认知、核心组件、实战案例、框架对比、生态体系五个维度，进行全面且详细的解析，既适合CSDN上追求技术深度的开发者，也适合微信公众号上想快速入门的技术爱好者，所有代码可直接复制运行，助力大家快速上手LangChain。

一、LangChain核心认知：它到底能解决什么问题？

1.1 什么是LangChain？

LangChain是2022年由Harrison Chase推出的开源开发框架，核心定位是“连接LLM与外部数据、工具”，为LLM应用开发提供标准化的组件和流程编排能力，降低智能应用的开发门槛。它支持Python和JavaScript/TypeScript双语言生态，其中Python版本功能更完善、社区更活跃，是当前主流的开发选择。

简单来说，LLM是“大脑”，而LangChain是“神经网络和手脚”——它让LLM能“记住”对话历史、“读取”外部文档、“使用”各类工具（如搜索引擎、数据库），从而完成更复杂的任务。

1.2 LangChain解决的3大核心痛点

单独使用LLM时，我们会面临三个难以解决的问题，而LangChain恰好针对性地给出了解决方案：

• 上下文窗口有限：LLM无法处理超长文本（如几百页的PDF），LangChain通过文本分割、向量检索等组件，让LLM能高效处理长文本数据；

• 无法访问外部动态数据：LLM的训练数据有时间限制（如GPT-4训练到2023年），无法获取实时新闻、企业内部文档等动态数据，LangChain通过文档加载器、检索器等组件，实现外部数据与LLM的无缝对接；

• 缺乏工具交互能力：LLM只能生成文本，无法调用搜索引擎、计算器、数据库等工具，LangChain通过工具（Tools）和代理（Agents）组件，让LLM能自主决策、调用工具完成复杂任务。

1.3 LangChain的核心优势

相比其他LLM应用框架，LangChain的核心优势集中在“模块化、可扩展性、全生态”三个方面，具体如下：

• 外部数据无缝集成：提供丰富的文档加载器，支持PDF、Word、网页、数据库等200+数据源的加载与处理，轻松实现“检索增强生成（RAG）”，让LLM基于专属数据生成回答；

• 强大的工具调用能力：内置数十种常用工具（搜索引擎、计算器、代码执行器等），支持自定义工具扩展，通过代理组件让LLM自主决策工具调用逻辑；

• 灵活的记忆机制：提供多种记忆组件，实现对话历史的存储、管理与复用，让应用具备多轮对话上下文理解能力；

• 跨LLM兼容性：支持对接OpenAI、Anthropic、Google Gemini、开源LLM（Llama 2、ChatGLM、Qwen）等主流模型，可灵活切换底层模型，降低对单一供应商的依赖；

• 完善的生态体系：集成向量数据库、Web框架、工作流工具等各类生态组件，提供LangSmith（调试）、LangServe（部署）等配套工具，覆盖从原型开发到生产部署的全流程。

二、LangChain核心组件详解：像搭积木一样构建应用

LangChain的核心架构围绕“组件（Components）”和“链（Chains）”展开，整体分为“基础组件层-链层-应用层”三层结构，核心设计思想是“组合优于继承”。下面我们逐一解析最常用的6大核心组件，每个组件都搭配可运行的代码示例，方便大家实操。

2.1 提示词模板（Prompt Templates）：让提示词更高效、更规范

提示词是LLM生成符合预期结果的关键，而提示词模板是LangChain中用于动态生成提示词的组件。它允许开发者定义固定的提示词结构，通过传入参数动态填充内容，避免重复编写相似提示词，同时支持格式校验、多轮对话提示词管理等功能。

代码示例1：基础提示词模板

from langchain.prompts import PromptTemplate

# 定义模板：包含2个参数（product-产品名，audience-目标人群）
prompt_template = PromptTemplate(
input_variables=["product", "audience"],
template="请为{product}撰写一句面向{audience}的宣传语，要求简洁有力、突出产品核心优势。"
)

# 动态填充参数生成提示词
prompt = prompt_template.format(
product="智能降噪耳机",
audience="职场通勤人群"
)

# 调用LLM生成结果（需提前安装openai库并配置API密钥）
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.8)
response = llm.invoke(prompt)
print("生成的宣传语：", response.content)

代码示例2：多轮对话模板（ChatPromptTemplate）

from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate

# 1. 系统提示：设定LLM的角色和行为准则
system_prompt = SystemMessagePromptTemplate.from_template(
"你是一名专业的产品文案顾问，擅长结合产品特性和目标人群痛点撰写宣传语。"
)

# 2. 人类提示：接收用户输入的动态参数
human_prompt = HumanMessagePromptTemplate.from_template(
"产品：{product}，核心优势：{advantage}，目标人群：{audience}，请撰写3句宣传语。"
)

# 3. 组合为对话模板
chat_prompt_template = ChatPromptTemplate.from_messages([system_prompt, human_prompt])

# 4. 填充参数并生成提示词
prompt = chat_prompt_template.format_prompt(
product="便携式充电宝",
advantage="20000mAh容量、双向快充、轻薄便携",
audience="大学生群体"
).to_messages()

# 5. 调用LLM生成结果
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.7)
response = llm.invoke(prompt)
print("生成的宣传语：", response.content)

2.2 记忆（Memory）：让LLM记住对话历史

Memory组件用于管理对话历史的状态，让LLM能“记住”之前的对话内容，实现多轮对话的上下文理解。LangChain提供多种记忆类型，包括简单的对话缓冲区、对话摘要记忆、持久化记忆（如SQL、Redis存储）等，满足不同场景需求。

代码示例：对话缓冲区记忆（最常用）

from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# 初始化LLM和记忆组件
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.5)
memory = ConversationBufferMemory()

# 构建对话链（将LLM和记忆组件结合）
conversation_chain = ConversationChain(llm=llm, memory=memory, verbose=True)

# 多轮对话
conversation_chain.predict(input="你好，我想了解LangChain的核心组件")
conversation_chain.predict(input="能再详细说说Prompt Templates吗？")
conversation_chain.predict(input="它和普通的提示词有什么区别？")

# 查看对话历史
print("对话历史：", memory.load_memory_variables({}))

2.3 文档加载器与文本分割器：对接外部文档

文档加载器（Document Loaders）用于加载外部数据源（如PDF、Word、网页、数据库），将其转换为LangChain可处理的Document格式；文本分割器（Text Splitters）用于将超长文本分割成小块（适配LLM的上下文窗口），同时保留文本的语义关联性。

代码示例：加载PDF并分割文本

# 安装依赖：pip install langchain-community pypdf
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 加载PDF文档（需指定PDF文件路径）
loader = PyPDFLoader("LangChain官方文档.pdf")
documents = loader.load() # 加载所有页面，返回Document列表

# 2. 分割文本：按字符递归分割，确保语义连贯
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=500, # 每个文本块的长度
chunk_overlap=50, # 相邻文本块的重叠长度（避免语义断裂）
length_function=len
)
split_documents = text_splitter.split_documents(documents)

# 查看分割结果
print(f"分割后共有{len(split_documents)}个文本块")
print("第一个文本块内容：", split_documents[0].page_content)

2.4 向量存储与检索器：实现高效文本检索

向量存储（Vector Stores）用于存储文本块的向量表示（通过Embeddings模型转换），支持快速相似性检索；检索器（Retrievers）用于从向量存储中检索与用户查询最相关的文本块，是实现RAG（检索增强生成）的核心组件。LangChain支持50+向量数据库（如Chroma、FAISS、Pinecone）。

代码示例：使用Chroma向量存储实现检索

# 安装依赖：pip install langchain-community chromadb sentence-transformers
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 加载并分割文档（延续上面的PDF加载逻辑）
loader = PyPDFLoader("LangChain官方文档.pdf")
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
split_documents = text_splitter.split_documents(documents)

# 2. 初始化Embeddings模型（用于将文本转换为向量）
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")

# 3. 构建向量存储（将文本块转换为向量并存储）
vector_store = Chroma.from_documents(
documents=split_documents,
embedding=embeddings,
persist_directory="./chroma_db" # 持久化存储路径
)
vector_store.persist()

# 4. 初始化检索器（从向量存储中检索相关文本）
retriever = vector_store.as_retriever(
search_kwargs={"k": 3} # 检索最相关的3个文本块
)

# 5. 检索测试
query = "LangChain的核心组件有哪些？"
relevant_documents = retriever.get_relevant_documents(query)
print(f"检索到{len(relevant_documents)}个相关文本块：")
for doc in relevant_documents:
print(doc.page_content)

2.5 工具（Tools）与代理（Agents）：让LLM自主调用工具

工具（Tools）是LangChain对接外部服务的接口，内置数十种常用工具（如搜索引擎、计算器、代码执行器、数据库查询），也支持自定义工具；代理（Agents）是“决策大脑”，负责根据用户需求，自主判断需要调用哪些工具、调用顺序，以及如何使用工具的结果生成最终回答。

代码示例：使用Agent调用搜索引擎和计算器

# 安装依赖：pip install langchain-community openai duckduckgo-search
from langchain.chat_models import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain.tools import DuckDuckGoSearchRun, CalculatorTool

# 1. 初始化LLM
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.5)

# 2. 初始化工具（搜索引擎+计算器）
tools = [
DuckDuckGoSearchRun(name="Search"), # 搜索引擎工具
CalculatorTool() # 计算器工具
]

# 3. 初始化Agent
agent = initialize_agent(
tools=tools,
llm=llm,
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, # 常用的Agent类型
verbose=True, # 打印Agent的思考和调用过程
handle_parsing_errors=True
)

# 4. 测试Agent（复杂任务：需要搜索+计算）
query = "2026年春节期间全国旅游人次是多少？请计算这个数字的10%是多少？"
response = agent.run(query)
print("最终回答：", response)

2.6 链（Chains）：组件的流程编排

链（Chains）用于将多个核心组件按业务逻辑串联成工作流，解决单一组件无法完成复杂任务的问题。LangChain提供多种预构建的链，也支持通过LCEL（LangChain Expression Language）自定义链，实现组件的灵活组合。

代码示例：构建RAG链（检索+生成）

from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings

# 1. 初始化LLM、Embeddings和向量存储（延续上面的向量存储逻辑）
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.5)
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
vector_store = Chroma(persist_directory="./chroma_db", embedding_function=embeddings)

# 2. 构建检索器
retriever = vector_store.as_retriever(search_kwargs={"k": 3})

# 3. 构建RAG链（检索相关文本 + LLM生成回答）
rag_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff", # 将检索到的文本全部传入LLM生成回答
retriever=retriever,
return_source_documents=True # 返回检索到的原始文本（用于验证）
)

# 4. 测试RAG链
query = "LangChain如何实现多轮对话的上下文管理？"
result = rag_chain({"query": query})

# 输出结果
print("生成回答：", result["result"])
print("\\n检索到的相关文本：")
for doc in result["source_documents"]:
print(doc.page_content)

三、LangChain实战案例：从零搭建2个常用应用

下面我们结合上面的核心组件，实战搭建两个最常用的LLM应用——多轮对话机器人和RAG检索问答系统，代码完整可运行，新手也能快速上手。

实战1：多轮对话机器人（带记忆功能）

功能：记住用户的历史对话，能根据上下文进行连贯回复，适用于客服、咨询等场景。

# 安装依赖：pip install langchain openai
from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferWindowMemory

# 1. 初始化配置
llm = ChatOpenAI(
model_name="gpt-3.5-turbo",
temperature=0.6, # 回复的随机性，0.6适中
openai_api_key="你的API密钥" # 可通过环境变量配置，更安全
)

# 2. 初始化记忆组件（窗口记忆：只记住最近3轮对话，避免记忆过长）
memory = ConversationBufferWindowMemory(k=3)

# 3. 构建对话链
conversation_chain = ConversationChain(
llm=llm,
memory=memory,
verbose=True # 打印思考过程，方便调试
)

# 4. 启动对话
print("多轮对话机器人（输入'退出'结束对话）：")
while True:
user_input = input("你：")
if user_input == "退出":
print("机器人：再见！")
break
response = conversation_chain.predict(input=user_input)
print(f"机器人：{response}")

实战2：RAG检索问答系统（基于本地PDF）

功能：加载本地PDF文档，用户可针对PDF内容进行提问，LLM会基于PDF内容生成准确回答，适用于文档咨询、知识库问答等场景。

# 安装依赖：pip install langchain-community openai chromadb pypdf sentence-transformers
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain_community.document_loaders import PyPDFLoader
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 初始化配置
llm = ChatOpenAI(
model_name="gpt-3.5-turbo",
temperature=0.5,
openai_api_key="你的API密钥"
)
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2") # 轻量高效的Embeddings模型

# 2. 加载并分割PDF文档
pdf_path = "你的PDF文件路径.pdf" # 替换为自己的PDF路径
loader = PyPDFLoader(pdf_path)
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50
)
split_documents = text_splitter.split_documents(documents)

# 3. 构建向量存储并持久化
vector_store = Chroma.from_documents(
documents=split_documents,
embedding=embeddings,
persist_directory="./pdf_rag_db"
)
vector_store.persist()

# 4. 构建RAG链
rag_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vector_store.as_retriever(search_kwargs={"k": 3}),
return_source_documents=True
)

# 5. 启动问答系统
print("PDF检索问答系统（输入'退出'结束对话）：")
while True:
user_input = input("你：")
if user_input == "退出":
print("系统：再见！")
break
result = rag_chain({"query": user_input})
print(f"系统：{result['result']}")
# 可选：打印检索到的相关文本
# print("\\n相关参考：")
# for i, doc in enumerate(result["source_documents"], 1):
# print(f"{i}. {doc.page_content}")

四、LangChain与其他主流框架的区别（选型指南）

很多开发者会混淆LangChain与其他LLM框架，其实它们的定位差异很大，选择时需结合自身场景。下面通过表格对比LangChain与主流框架的核心区别，帮助大家快速选型。

选型建议：

• 快速搭建RAG系统：优先选择LlamaIndex；

• 开发复杂Agent/多场景融合应用（RAG+Agent+工具）：选择LangChain/LangGraph；

• 模型训练/微调：用Hugging Face Transformers，搭配LangChain做应用落地；

• 非开发者/快速原型验证：用LangFlow/PromptFlow；

• 极简自主型Agent原型：尝试AutoGPT。

五、LangChain生态体系与进阶方向

5.1 核心生态组件

LangChain的生态已经非常完善，除了核心框架，还有三个关键配套工具，覆盖开发、调试、部署全流程：

• LangSmith：LLM应用的调试、监控和追踪平台，能可视化Agent的思考过程、组件调用链路，帮助开发者定位问题，优化应用性能；

• LangServe：用于将LangChain应用部署为API服务，支持快速集成到Web应用、移动端等场景，提供高可用、可扩展的部署方案；

• LangGraph：基于图结构的编排框架，用于构建复杂的有状态Agent、多智能体协作应用，支持循环、分支等复杂控制流。

5.2 进阶学习方向

掌握基础组件和实战案例后，可从以下方向进阶，提升LangChain应用开发能力：

• 自定义工具开发：根据业务需求，开发专属工具（如对接企业内部系统、API）；

• 多智能体协作：使用LangGraph构建多Agent系统，实现复杂任务的分工协作；

• 性能优化：学习文本分割策略、向量检索优化、缓存机制，提升应用响应速度和准确性；

• 开源LLM适配：将LangChain与Llama 2、ChatGLM等开源模型结合，实现本地化部署，降低成本。

六、总结与入门建议

6.1 核心总结

LangChain的核心价值的是“连接与编排”——它不替代LLM，而是为LLM提供“手脚”和“记忆”，让LLM能对接外部数据、调用工具，完成更复杂的实际业务需求。其组件化、可扩展的设计，让开发者能快速搭建各类LLM应用，从简单的对话机器人到复杂的企业级智能代理。

对于开发者而言，LangChain不是“可选工具”，而是“必备工具”——它能大幅降低LLM应用的开发门槛，提升开发效率，帮助我们将大模型的能力落地到实际业务中。

6.2 新手入门建议

最后，LangChain的生态还在快速发展，新的组件和功能不断更新，建议大家多关注官方动态，多动手实践，才能真正掌握这一强大的LLM应用开发框架。

附录：常用依赖安装命令

# 核心依赖
pip install langchain langchain-core langchain-community

# LLM依赖（OpenAI）
pip install openai

# 文档加载依赖（PDF、Word等）
pip install pypdf python-docx

# 向量存储依赖（Chroma、FAISS）
pip install chromadb faiss-cpu

# Embeddings依赖（Hugging Face）
pip install sentence-transformers

# 工具依赖（搜索引擎、计算器）
pip install duckduckgo-search