LangChain 概览

LangChain 可以理解为一个用于构建 LLM 应用的工程框架。它把模型调用、消息格式、提示词、工具调用、结构化输出、检索增强和 Agent 运行过程拆成一组可组合的组件。

对于后端开发者来说，可以把 LangChain 想成：

统一的模型调用层：不同模型厂商的 API 差异被包装成类似接口。
提示词与消息编排层：负责把用户输入、系统约束和上下文拼成模型能理解的输入。
工具调用层：让模型可以调用天气、数据库、HTTP 接口、订单查询等外部能力。
Agent 执行层：模型不只是回答文本，而是可以根据任务选择工具、观察结果并继续推理。
RAG 组件层：把企业文档、知识库、向量检索和大模型回答串起来。

LangChain 与 LangGraph 的关系

LangChain 更偏“快速构建 Agent 应用”，适合常见的模型调用、工具调用、RAG、结构化输出等场景。LangGraph 更偏“底层编排框架”，适合多步骤、长时间运行、有状态、需要人工审批、需要恢复执行的复杂 Agent。

简单理解：

场景	更适合
快速接入模型、写一个工具调用 Agent	LangChain
构建 RAG 问答、文档总结、结构化抽取	LangChain
多步骤审批、可恢复执行、人工介入	LangGraph
多智能体协作、复杂状态流转	LangGraph

一个最小 Agent 形态

python

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    return f"{city} 今天适合学习 LangChain"

agent = create_agent(
    model="openai:gpt-4.1-mini",
    tools=[get_weather],
    system_prompt="你是一个中文 AI 助手"
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "北京天气怎么样？"}]
})

print(result["messages"][-1].content)

这个例子里，模型可以根据用户问题决定是否调用 get_weather 工具，再组织最终回答。

学习路线

模型接口：知道怎么调用模型。
Prompt：知道怎么控制模型输入。
Tool：知道怎么让模型调用外部能力。
Agent：知道怎么让模型循环思考和行动。
RAG：知道怎么把企业知识接入模型。
LangGraph：知道怎么做复杂工作流和人工审批。

非官方声明

本站为个人维护的非官方中文学习文档，不代表 LangChain 官方。页面内容是基于公开文档、源码实践和中文开发者视角重新整理的学习资料。涉及 API 细节时，请以官方文档和实际安装版本为准。

参考来源

LangChain / LangGraph 官方文档：https://docs.langchain.com/
LangChain API Reference：https://reference.langchain.com/
本站内容为中文学习整理，不做官方身份声明。

LangChain 概览 ​

LangChain 与 LangGraph 的关系 ​

一个最小 Agent 形态 ​

学习路线 ​

参考来源 ​

LangChain 概览

LangChain 与 LangGraph 的关系

一个最小 Agent 形态

学习路线

参考来源