说明：本套资源源于B站尚硅谷教程，视频链接：https://www.bilibili.com/video/BV1rv7A6oEeP?spm_id_from=333.788.videopod.episodes&vd_source=bba5be243325ecee1f55ec265557fedd
目录
一、为什么需要LangChain
1.1 背景-单一大模型的局限性
1.2 LangChain框架的定位
1.3 LangChain应用场景
二、LangChain是什么
2.1 LangChain发展时间线
2.2 LangChain V1.2的主要模块
三、LangChain家族四大支柱
3.1 LangChain：智能体开发的基石
3.2 LangGraph：复杂工作流的编排引擎
3.3 Deep Agent：智能体的执行框架
3.4 LangSmith：可视化监控与测试平台
四、开发前的准备工作
4.1 前置知识
4.2 环境安装
4.2.1 代码管理方案
4.2.2 安装虚拟环境与Python解释器
4.2.3 下载langchian安装包
4.2.4 PyCharm开发环境
一、为什么需要LangChain
1.1 背景-单一大模型的局限性
1、知识受限于训练数据，无法获取训练时间之后的信息。
2、无法直接与外部系统交互，例如查询实时数据、调用外部API或者读取数据库。
3、不具备状态保持能力，难以进行连贯的多轮对话，遗忘之前的上下文。
因此要构建真正实用的AI应用，必须将大模型与外部工具、数据源和记忆机制有机结合，从而催生了LangChain框架的设计理念。
LangChain，是当前构建盛产级AI智能体系统的首选。
1.2 LangChain框架的定位
LangChain作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。
其核心定位有以下三点：
1、打通大模型与外部资源：统一接口对接数据库、检索引擎、API、文件系统等；
2、封装底层复杂逻辑：抽象工具调用、记忆等能力，降低智能体开发难度；
3、支撑多智能体间的协作：依托LangGraph等生态，从单智能体拓展至多智能体协作，可构建工业级智能体。
1.3 LangChain应用场景
1、检索增强生成（RAG）
– 痛点：解决大模型知识滞后（无实时数据）和幻觉问题
– 功能：检索外部知识库（文档/数据库）并向量化保存，让大模型基于最新、最相关的资料回答。
2、Agent 智能体构建
– 痛点：解决大模型无法直接执行复杂任务的问题。
– 功能：将模型作为“推理引擎”，自主规划路径并动态调用外部工具（如外部API、数据库等），实现复杂任务。
3、对话系统与聊天机器人
– 痛点：解决多轮对话中的“记忆”流失问题。
– 功能：集成记忆管理系统，记住用户偏好和历史交互，并结合私有数据（如垂直领域相关资源）提高专业服务。
4、多模态应用应用开发
– 痛点：跨越单一文本交互的限制。
– 功能：融合图像识别、语音转文字等技术，让模型具备处理音频和图片的综合推理能力。
5、自动化写作与格式化生成
– 痛点：解决生成内容格式不标准、质量不稳定的问题。
– 功能：配合提示词模板（Templates）与输出解析器（Parsers），自动产出规范的报告、合同或邮件。
6、数据连接与结构化处理
– 痛点：解决非结构化数据难以被大模型直接利用的问题。
– 功能：强大的数据连接能力是大模型能够与各种数据源和结构化数据进行交互。比如，从PDF、Excel、word中提取关键信息，或实现自然语言与SQL的自动转换。
总结：通过学习LangChain框架，可以高效开发大模型应用。
二、LangChain是什么
2.1 LangChain发展时间线
1、诞生（2022年10月）
名称来源于“Language”（语言模型）和“Chain”）（链式连接）的组合。体现了其核心设计理念——链接大语言模型与其他各种计算资源和数据，构建强大的AI应用。
2、探索期（2022年Q4—2023年Q1）
LangChain初版发布，主要聚焦于PromptTemplate、LLMChain等基础模块。
3、体系化阶段（2023年Q2—2023年Q4）
引入Tool、Agent、Retrieval等概念，形成大模型+工具调用+记忆的核心架构，支持构建完成更复杂任务的自动化智能体。
同期推出LangChain Hub 与 LangSmith，初步构建了从开发、调试到部署的生态闭环。
4、平台化阶段（2024—2025上半年）
LangGraph与LangServe的发布是这一阶段的标志。LangGraph为工作流管理提供了有向图基础，而LangServe则解决了服务化部署的难题。至此，LangChain生态完成了从开发框架到智能体平台的过渡。
5、深层智能体阶段（2025下半年—至今）
正式推出Deep Agent，官方定位为Agent Harness（智能体执行框架），在LangGraph和LangChian之上运行，标志着LangChain生态进入了新阶段，让开发者可构建基于多智能体的复杂化智能体系统。
其中，关于LangChain版本选择，本次学习使用1.2版本。
2.2 LangChain V1.2的主要模块
- langchain-core：官方推荐的核心API。比如Runnable、BaseMessage等。
- langchain-classic：冗余代码移除或不推荐使用的经典API。比如0.x中常用而1.x移除的API都在这里。
- langchain-community：第三方集成，比如：合作伙伴包langchain-openai、langchain-anthropic等，按需安装，避免臃肿。
- langgraph：深度这个LangGraph 1.0，协调多个Chain、Agent、Tools完成更复杂的任务，并且还支持循环调用，是langchain图形化的增强版。
相关API，如果英文不好，可在浏览器安装翻译插件
官网： https://www.langchain.com/
Github地址： https://github.com/langchain-ai
中文文档地址： https://docs.langchain.org.cn/oss/python/langchain/overview
英文文档地址： https://docs.langchain.com/oss/python/langchain/overview
API文档查询地址： https://reference.langchain.com/python/langchain
三、LangChain家族四大支柱
截止到2025年11月，LangChain已从一个独立的开发框架，成长为一个覆盖智能体系统全生命周期的技术生态。该生态由四大核心支柱构成：LangChain、LangGraph、Deep Agent、LangSmith。
它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层，共同构建了一个从技术验证到生产部署、从单体之鞥呢到复杂协作的项目闭环。
官方文档解释：https://docs.langchain.com/oss/python/concepts/products
3.1 LangChain：智能体开发的基石
LangChain是整个生态的核心与起点，为开发者提供了模型调用、工具、中间件集成、智能体构建等一整套基础能力。
其核心价值如下：
- 统一的模型抽象层：屏蔽了不同模型服务提供商（如Open AI、Anthropic、Ollama等）的接口差异，提供一直的调用方式。
- 高度模块化的设计：使用Message、Tool、Agent、Middleware等组件实现灵活的组合与扩展。
- 丰富的集成生态：预置了丰富的数据源、API、中间件等，构成了强大的AI能力枢纽。
结论：如果构建简单的智能体应用，无需复杂的编排需求，选择LangChain。
3.2 LangGraph：复杂工作流的编排引擎
当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时，LangGraph应运而生。
其核心思想是将智能体内部抽象为一张有向图。
- 节点（Node）：代表独立的功能单元或决策点。
- 边（Edge）：定义了节点之间的流转条件与路径。
- 状态（State）：作为一个共享上下文，在节点间传递并持久化存储任务信息。
通过这种图式结构，LangGraph让智能体的工作流节点交互变更显式、可控、可观测。
官方也强调：快速起步用LangChain，复杂控制用LangGraph，二者并行协同。
通俗理解：
LangChain = 能力抽象层（LLM/Tool/Message标准化），负责有什么能力。
LangGraph = 执行与编排层（状态机/工作流/多Agent系统），负责怎么执行。
3.3 Deep Agent：智能体的执行框架
Deep Agent是新推出的全新组件，被定为为Agent Harness(智能体执行框架)。它构建于LangChain与LangGraph之上，增加了规划能力、文件系统、子Agent等高级功能。旨在让开发者无须从零构建复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体。
Deep Agent的核心能力如下：
- 显示规划：自主生成、执行并动态调整多步任务计划。
- 虚拟文件系统：为智能体提供结构化的中间结果与知识储备。
- 子智能体：支持任务在多个智能体之间的分解与协作
- 长期记忆：通过与LangGraph状态存储的结合，实现跨对话的经验积累。
- 可扩展中间件：允许嵌入安全审计、性能监控或自定义业务逻辑。
三个框架不是竞争关系，并非互斥，复杂项目完全可以同时用到。
基于大模型的应用开发体系图：
从LangChain快速搭建，用LangGraph打磨生产稳定性，再用Deep Agents赋予Agent更强的自主能力—这才是完成的LangChain的生态圈。
3.4 LangSmith：可视化监控与测试平台
当智能体系统逐渐复杂时，单靠日志与打印输出调试已无法满足调试与质量管理的需求。
LangSmith是LangChain官方推出的可视化监控与测试平台，用于跟踪、记录和分析智能体在运行过程中的完整调用链路，让智能体的内部运行过程变得透明和可评估。
LangSmith的核心目标如下：
- 全链路追踪：可视化追踪模型调用、提示词输入、结果输出、工具使用等行为。
- 调试与优化：发现运行中智能体的异常行为与性能瓶颈。
- 评测与质量控制：支持人工与自动化评测，量化智能体表现。
- 团队协作：支持多个共享测试集与调用记录。
LangSmith官网：LangSmith: Agent & LLM Observability Platform
LangSmith的引入使得智能体的开发、调试与运行形成了完整的质量闭环。
四、开发前的准备工作
4.1 前置知识
Python基础语法、了解大模型常用概念如Token、Prompt、Embedding、上下文协议等。
4.2 环境安装
4.2.1 代码管理方案
相较于全局环境（系统环境），各个虚拟环境都有自己独立的一套：Python解释器、pip命令、第三方依赖包、不和其他项目产生干扰。
常用的虚拟环境三套方案：
1、使用conda：适合Python + 非Python依赖的复杂环境——本次选择
2、使用uv：适合纯Python项目的现代包管理。
3、使用venv：Python自带的轻量级虚拟环境工具。
4.2.2 安装虚拟环境与Python解释器
LangChain基于Python开发，因此需确保系统中安装了Python解释器，在创建虚拟环境过程中安装Python解释器。
LangChain 1.2版本需要Python版本为3.10+，本次使用Python 3.13.12版本。
1、安装miniconda，请自行百度，注意配置envs和pkgs路径，否则默认安装到C盘。
2、创建conda环境
#创建一个名为langchain1.2的环境，指定Python版本是3.13.12
conda create –name 自输入的环境名 python=3.13.12
#查看anconda安装好的python环境
conda env list
#初始化虚拟环境 (执行完此指令，重新启动命令行窗口)
conda init
#在命令行窗口切换到某python环境
conda activate langchain1.2
#验证python版本 (langchain1.2) C:\\Users\\shkstart>python –version
4.2.3 下载langchian安装包
1、使用conda指令
# 安装指定版本。比如1.2.2
conda install langchain==1.2.12
# 或者安装最新版（默认仓库）–本次不建议
conda install langchain
# 指定频道（如 conda-forge），如果上个命令安装失败
conda install -c conda-forge langchain==1.2.12
# 更新包
conda update langchain
# 卸载包
conda uninstall langchain
# 查看已安装包
conda list
4.2.4 PyCharm开发环境
最好使用2025.3.3 +版本，否则可能会出现于conda不兼容的情况。配置如下：
测试代码
