1. 为什么需要 LangChain？

从传统应用迈向智能体时代，这一转变意义重大。尽管大语言模型功能强大，但本身仍存在若干不容忽视的短板。

• 知识更新受限：模型所学的知识一经训练便固定，难以实时获取最新动态，例如时事热点或实时股票行情。
• 无法直接对接外部系统：它不能直接查询数据库、调用API或使用第三方工具——更像一个“大脑”，却缺乏“手脚”去执行具体操作。
• 缺乏状态保持（记忆）能力：维持长期、连贯的多轮对话非常困难，对话历史一长就容易丢失，导致上下文断裂。

因此核心思路十分明确：要构建真正可落地的AI应用，必须将大语言模型与外部工具、数据源、记忆机制有机融合。而LangChain正是作为大模型与应用程序之间的中间层，将这些复杂逻辑封装成标准模块，成为当前构建生产级AI智能体系统的首选工具。

2. LangChain 的介绍与核心结构

2.1 LangChain v1.2 的主要模块

随着v1.x系列版本的发布，LangChain进行了彻底的架构重构与轻量化改造，核心包做到极致精简，不同模型供应商也被拆分为独立包，不再像以前那样打包在一起。

• langchain-core：官方推荐的核心API，包含Runnable、BaseMessage等核心抽象接口，保持轻量，是日常开发的主力模块。
• langchain-classic：向后兼容包。将0.x中常用但在1.x里被移除或不再推荐的经典API（如旧版Chain结构）迁移至此，供需要兼容的老项目使用。
• langchain-community：第三方集成包。像langchain-openai、langchain-anthropic等各种合作伙伴的包均位于此，按需安装，避免依赖臃肿。
• langgraph：智能体系统的基础。深度整合了LangGraph 1.0，用于协调多个Chain、Agent、Tools，支持循环调用，是实现复杂状态流转和多智能体协作的核心组件。

2.2 API 文档与资源

学习LangChain，不必死记硬背所有API。把它当作一个工具箱，按需查阅即可。官方文档和API参考文档是最实用的资源，遇到问题直接翻阅，比硬背效率更高。

2.3 LangChain 家族的四大支柱

整个LangChain生态已覆盖智能体系统的全生命周期，由以下四大支柱构成：

1. LangChain（基础能力层）：提供统一的模型抽象层、模块化设计（Message/Tool/Agent/Middleware）和丰富的集成生态。适用于构建简单的智能体应用。
2. LangGraph（运行时编排层）：负责复杂、有状态、支持循环的工作流编排。核心思想是将智能体内部抽象成一个有向图，包括节点（Node）、边（Edge）和状态（State）。
3. Deep Agent（智能体抽象层 / 执行框架）：定位为Agent Harness，构建在LangChain与LangGraph之上。免去开发者从零构建控制逻辑，提供显式规划、虚拟文件系统、子智能体协作、长期记忆和可扩展中间件等高级能力。
4. LangSmith（监控与评估层）：可视化监控与测试平台，提供全链路追踪、调试与优化、评测与质量控制及团队协作，形成开发、测试到运维的完整质量闭环。

3. 大模型（LLM）应用场景与开发模式

3.1 核心技术与开发模式对比

1. 纯 Prompt（直接提示词）

   • 模式：应用程序 → Prompt → 基础大模型 → Response → 应用程序。
   • 交互：简单的单轮或多轮一问一答，大模型是唯一的交互接口。

2. Agent + Function Calling（智能体与工具调用）

   • 核心：LLM作为“大脑”（推理引擎），主动提出调用外部系统（API、数据库、函数）的需求，以此扩展自身能力。
   • 示例：用户问“明天去杭州需要带伞吗？”，Agent判断出需要先调用“天气预报API”，获取数据后再向用户反馈建议。

3. RAG（检索增强生成 - Retrieval-Augmented Generation）

   • 痛点：解决LLM知识冻结（无法实时学习最新数据）和幻觉问题（胡说八道）。
   • 流程：
     1. 将本地文件（PDF、Word等非结构化数据或结构化数据）通过Loader加载，经Text Splitter切割成文本块（Chunks）。
     2. 通过Embedding Model转化为向量，存储到向量数据库中。
     3. 检索时，把用户提问（Query）进行向量化，在向量数据库中进行相似度搜索，召回相关的文本块。
     4. 把召回的文本块作为上下文（Context），拼接成Prompt喂给LLM生成精准答案。
   • 优化（Reranker 重排）：
     • 在文档数量多时，先召回较多文本（如top 20或top 50），用重排器进行精排，从而提升准确率，减少喂给LLM的无关噪声。
     • 适用场景：适合高精度和强相关性要求（如客服、专业知识库）；不适合极高响应速度要求的场景。

4. Fine-tuning（精调/微调）

   • 模式：用特定任务数据重新训练模型权重。
   • 特点：成本最高，但在前几种方式（Prompt、RAG、Agent）完全解决不了问题（比如特定语气、深度垂直领域的定制格式输出）时，再考虑使用。

3.2 技术选择决策路径

面对具体项目需求，通常的选择思路是：

从准备测试数据开始，用对话应用验证可行性。如果发现需要补充外部知识，就采用RAG方案；如果需要对接到其他系统，就走Function Calling / Tool；如果这两种都不行，再考虑是否值得尝试微调；如果微调也不合适，那就直接纯Prompt方案交付。

3.3 Agent 开发核心公式与要素

Agent = LLM（大脑）+ Planning（规划决策）+ Tools（工具使用）+ Memory（记忆）+ Action（实际行动）

• LLM：推理与决策中枢。
• Planning：任务分解（如CoT思维链）与反思自省框架。
• Tools：调用外部API、数据库等。
• Memory：
  • 短期记忆：单次对话的上下文（受限于模型Token窗口长度）。
  • 长期记忆：跨对话存储的核心知识，通常通过模型微调、知识图谱或向量数据库实现。
• Action：软件接口操作或物理交互的实际执行。