LangChain 是一个用于开发基于大语言模型（LLM）应用的开源框架，旨在简化 LLM 应用的构建流程-北京尧图网络

LangChain 是一个用于开发基于大语言模型LLM应用的开源框架旨在简化 LLM 应用的构建流程支持链式调用Chains、数据检索增强RAG、记忆管理Memory、工具集成Tools、代理Agents等核心能力。其设计哲学是“模块化可组合”开发者可通过组合不同组件如 DocumentLoaders、TextSplitter、VectorStore、LLM、PromptTemplate、OutputParsers 等快速搭建定制化 AI 应用如智能问答、文档分析、自动化工作流等。LangChain 支持多种 LLM 后端如 OpenAI、Anthropic、Ollama、HuggingFace、Qwen、GLM 等兼容本地与云端模型同时提供对向量数据库Chroma、FAISS、Pinecone 等、文档解析PDF、Word、Markdown、网页等、提示工程优化和异步/流式响应的支持。v0.1 版本后已演进为 LangChain SDK即 langchain-core langchain-community langchain-openai 等分包架构强调可扩展性与生产就绪性如 tracing、monitoring、callbacks。典型使用示例RAG 流程fromlangchain_community.document_loadersimportWebBaseLoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddings,ChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_core.output_parsersimportStrOutputParser# 加载 → 分割 → 嵌入 → 存储 → 检索 → 构建链loaderWebBaseLoader(https://example.com)docsloader.load()text_splitterRecursiveCharacterTextSplitter(chunk_size500,chunk_overlap50)splitstext_splitter.split_documents(docs)vectorstoreChroma.from_documents(documentssplits,embeddingOpenAIEmbeddings())retrievervectorstore.as_retriever()promptChatPromptTemplate.from_template(根据以下上下文回答问题{context}\n问题{question})llmChatOpenAI(modelgpt-3.5-turbo)rag_chain({context:retriever,question:RunnablePassthrough()}|prompt|llm|StrOutputParser())responserag_chain.invoke(LangChain 的核心模块有哪些)注意LangChain 并非唯一选择同类框架包括 LlamaIndex专注 RAG 优化、Semantic Kernel微软.NET/Python 多语言支持、DSPy声明式编程范式等。在 LangChain 中Chain、Agent和Tool是三个不同抽象层级、职责分明的核心概念它们共同支撑 LLM 应用的逻辑编排与能力扩展Tool工具定义一个可被调用的、具有明确输入/输出的函数式能力单元封装具体操作如搜索网页、查数据库、调用 API、执行 Python 代码、发送邮件等。核心特征原子性、可注册、有描述description和参数 schema用于 LLM 理解如何调用通常需实现invoke(input: str) → str方法。适用场景当需要赋予 LLM「执行外部动作」的能力时使用是 Agent 的“肌肉”。✅ 示例DuckDuckGoSearchRun()、ArxivQueryRun()、自定义WeatherTool。Chain链定义一组确定性、预定义顺序的组件LLM、Prompt、Parser、Retriever、Tool 调用等组成的流水线输入→处理→输出无运行时决策。核心特征静态流程、可组合.assign()/.with_config()、支持异步/流式、强调可复用性和可测试性不依赖 LLM 做控制流决策。适用场景结构化任务如 RAG检索生成、摘要链、分类链、多步数据清洗等。✅ 示例RetrievalQA.from_chain_type()、LLMChain、TransformChain。Agent代理定义由 LLM动态驱动控制流的智能体通过推理如 ReAct、Plan-and-Execute决定是否/何时/如何调用哪些 Tool并能迭代反思Thought-Action-Observation 循环。核心特征运行时决策、依赖 LLM 的推理能力、需配备 Tool 列表 System Prompt如OpenAIFunctionsAgent的 prompt template、支持 stopping criteria 和 max iterations。适用场景开放域、多跳、不确定步骤的任务如“帮我查今天北京天气再推荐3个适合户外的活动”或自动化客服工单处理。✅ 示例initialize_agent(tools, llm, agentAgentType.OPENAI_FUNCTIONS)、create_react_agent()v0.1 推荐。关键区别总结维度ToolChainAgent控制权被动调用无自主性开发者编排确定性流程LLM 动态决策非确定性流程灵活性低单一功能中可嵌套但路径固定高支持循环、条件、失败重试复杂度★☆☆★★☆★★★典型依赖无LLM / Prompt / Parser 等LLM Tool list AgentExecutor⚠️ 注意Tool 可独立使用如手动调用也可被 Chain 封装如ToolChain更常被 Agent 调度Chain 可包含 Tool 调用如LLMChainTool但不自动做决策Agent LLM作为控制器 Tool作为执行器 AgentExecutor调度引擎 Prompt决策指令。

LangChain 是一个用于开发基于大语言模型（LLM）应用的开源框架，旨在简化 LLM 应用的构建流程

相关推荐

AI证书的含金量，最终要落到这三个结果上

选择AI证书时，为什么要看考试内容而不是宣传文案

【AI正则处理革命性突破】：20年老架构师亲测，3类传统正则痛点被LLM彻底重构！

更多资讯

Repomix 开发者贡献指南：从环境搭建、项目结构到提交合并的全流程实战

本地大模型量化部署全栈指南：显存、延迟与精度的平衡术

2025年17款AI编程Agent全面盘点：从补全到自主执行

二进制基础与应用：从原理到编程实战

SpringBoot+Vue企业级物业管理系统开发实战

Java Web物资租赁系统：MVC架构、事务处理与JSP视图实战解析

今日更新

SpacetimeDB C++ 模块库实战：用 C++20 在数据库内构建 WebAssembly 模块

别踩雷！不是所有 AI 写作工具都靠谱，2026 高校认可工具精选

SSM+MySQL幼儿园管理系统源码解析：从部署到优化

本周精选

超人会飞不算本事：系统稳定依赖清晰规则与边界设计

超人VS蜘蛛侠：拆解超级IP的影响力与传播方法论

基于CNN的调制信号识别：MATLAB实现时频图分类实战

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？