如果你常逛技术社区，大概率听过 “大语言模型（LLM）能做很多事”—— 写文案、答问题、编代码，但真要把它放进实际业务里，比如给公司做个智能客服、给团队搭个文档问答工具，却总卡壳：要么模型记不住上下文，聊两句就 “断片”；要么模型不懂专业知识，回答全是 “通用废话”；要么调用外部工具时，得自己写一堆复杂逻辑……​

这时候，LangChain 就该登场了。它不是一个新的 AI 模型，而是帮你 “盘活” LLM 的开发框架，像给模型搭了个 “工具箱 + 操作台”，让你不用从零造轮子，就能快速搭建出能用、好用的 LLM 应用。今天就用最通俗的话，带你入门 LangChain。​

一、先搞懂：LangChain 到底是干嘛的？​

先抛个结论：LangChain 是连接 LLM 与实际业务的 “桥梁”。​

你可以把 LLM 想象成一个 “聪明但没经验的实习生”—— 脑子好使，但不知道公司的业务规则、没有存业务数据的文件夹、不会用公司的办公软件（比如查订单的系统、调数据的 API）。而 LangChain 就是这个实习生的 “带教老师”：​

简单说，直接用 LLM 像 “徒手干活”，用 LangChain 就是 “带着工具干活”—— 效率和效果完全不是一个级别。​

二、核心功能：LangChain 能帮你解决哪些痛点？​

新手不用一开始就啃复杂概念，先记住 LangChain 最常用的 4 个核心能力，覆盖 80% 的入门场景：​

1. 记事儿：让 LLM “不健忘”（Memory 功能）​

你有没有过这种体验：跟 AI 聊 “帮我推荐一款性价比高的笔记本”，聊到一半说 “再推荐个同价位的平板”，AI 却问 “你说的同价位是多少？”—— 这就是 LLM “健忘”，默认记不住之前的对话。​

LangChain 的Memory 模块就是帮 LLM “记事儿” 的：​

举个简单代码例子，让 AI 记住对话：​

from langchain.memory import ConversationBufferMemory​
from langchain.chains import ConversationChain​
from langchain.llms import OpenAI​
​
# 初始化记忆模块，存对话历史​
memory = ConversationBufferMemory()​
# 把LLM和记忆模块组合成对话链​
conversation_chain = ConversationChain(​
llm=OpenAI(api_key="你的API密钥"),​
memory=memory​
)​
​
# 第一次对话​
print(conversation_chain.run("我想买一款适合办公的笔记本，预算5000元"))​
# 第二次对话，AI会记住“预算5000元”​
print(conversation_chain.run("有没有同价位的平板推荐？"))​

运行后你会发现，AI 不会再问 “预算多少”，直接推荐 5000 元左右的平板 —— 这就是 Memory 的作用。​

2. 查资料：让 LLM “懂专业”（Retrieval 功能）​

LLM 的 “知识库” 截止到训练时（比如 GPT-4 截止到 2023 年），而且不懂你公司的产品手册、行业文档。想让它回答 “我们公司产品的保修政策”，直接问只会 “瞎猜”。​

LangChain 的Retrieval 模块就是帮 LLM “查资料” 的，核心是 “检索增强生成（RAG）”—— 简单说就是：用户提问后，先从你的专业文档里找答案，再让 LLM 基于找到的资料回答，避免 “瞎编”。​

比如做一个 “产品手册问答工具”，步骤很简单：​

代码示例（用 Chroma 向量库）：​

from langchain.document_loaders import PyPDFLoader​
from langchain.vectorstores import Chroma​
from langchain.embeddings import OpenAIEmbeddings​
from langchain.chains import RetrievalQA​
from langchain.llms import OpenAI​
​
# 1. 加载产品PDF手册​
loader = PyPDFLoader("你的产品手册.pdf")​
documents = loader.load()​
​
# 2. 拆分文档（每段500字，重叠50字保持连贯）​
from langchain.text_splitter import RecursiveCharacterTextSplitter​
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)​
splits = text_splitter.split_documents(documents)​
​
# 3. 存储到向量库​
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings(api_key="你的API密钥"))​
​
# 4. 搭建问答链，用户提问时先查资料再回答​
qa_chain = RetrievalQA.from_chain_type(​
llm=OpenAI(api_key="你的API密钥"),​
chain_type="stuff", # 把找到的资料塞进Prompt里让LLM回答​
retriever=vectorstore.as_retriever()​
)​
​
# 测试：问产品保修政策​
print(qa_chain.run("我们产品的保修期限是多久？"))

这样回答的内容完全来自你的产品手册，不会有 “幻觉”，专业度拉满。​

3. 串流程：让 LLM “按步骤做事”（Chains 功能）​

很多任务不是 “问一句答一句” 这么简单，比如 “先分析用户的问题类型，再决定是查知识库还是直接回答，最后整理成简洁的回复”—— 这需要多步操作，LangChain 的Chains 模块就是帮你 “串流程” 的。​

你可以把 Chain 理解成 “任务流水线”：把多个步骤（比如 “处理问题→查资料→生成回答→检查格式”）串起来，让 AI 自动按顺序执行。​

比如做一个 “客户投诉处理链”，步骤是：​

代码示例（用 SequentialChain 串步骤）：​

from langchain.prompts import PromptTemplate​
from langchain.chains import SequentialChain, LLMChain​
from langchain.llms import OpenAI​
​
llm = OpenAI(api_key="你的API密钥")​
​
# 步骤1：提取投诉关键词​
extract_template = "从用户投诉中提取核心问题：{complaint}\n核心问题："​
extract_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(extract_template), output_key="core_issue")​
​
# 步骤2：查解决方案（这里简化为让LLM生成，实际可对接知识库）​
solve_template = "针对投诉核心问题「{core_issue}」，生成解决方案：\n解决方案："​
solve_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(solve_template), output_key="solution")​
​
# 步骤3：生成标准化回复​
reply_template = "用户投诉：{complaint}\n解决方案：{solution}\n请生成标准化回复（包含道歉、方案、联系方式）："​
reply_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(reply_template), output_key="final_reply")

运行后会直接输出标准化回复，比如：“非常抱歉您的订单延迟未送达，我们已查询到物流卡在 XX 环节，将为您优先协调配送，预计 24 小时内更新物流，如有问题可联系客服热线 400-XXX-XXXX。”​

4. 用工具：让 LLM “能干活”（Agents 功能）​

有时候，LLM 需要 “动手做事”—— 比如查实时天气、查用户订单、调用翻译 API，这些不是靠 “说” 能解决的，需要调用外部工具。LangChain 的Agents 模块就是让 LLM“自己决定用什么工具、怎么用”。​

比如做一个 “智能助手”，能查实时天气（调用天气 API）、算数学题（用计算器工具）：​

虽然入门阶段不用写复杂的工具调用代码，但你要知道：Agents 是 LangChain “进阶” 的关键 —— 它让 LLM 从 “只会说” 变成 “能做事”，比如自动查订单、自动生成报表、自动发邮件。​

三、核心组件

1. 模型（Models）

• 内容
  LangChain 提供了对各种大语言模型（LLM）和聊天模型（ChatModel）的统一接口，屏蔽了底层差异（比如 OpenAI、Anthropic、Cohere、本地 LLM）。

• 细节

  • 包括 LLM、ChatModel、EmbeddingModel 三类。

  • 内置了输出解析器（Output Parser），可以把大模型的自然语言输出转换为结构化数据（JSON、Pydantic 对象、数值等）。

• 价值
  让开发者专注业务逻辑，不必关心不同模型的调用差异和 SDK 繁琐细节。

2. 提示模板（Prompts）

• 内容
  提供 PromptTemplate、ChatPromptTemplate 等机制，帮助管理复杂的提示（prompt engineering）。

• 细节

  • 动态变量替换：支持把上下文、用户输入等注入到模板。

  • Few-shot 示例管理：便于组织多个样例。

  • 消息式提示：结构化地传递 system、user、assistant 等多角色信息。

• 价值
  把 prompt 工程从“硬编码字符串”升级为可配置、可维护、可重用的组件，降低“提示散落在代码里”的混乱。

3. 数据检索（Indexes / Retrieval）

• 内容
  用于构建 知识库增强生成（RAG） 应用，把外部文档接入大模型。

• 细节

  • 文本分割器：将长文档切成可检索的 chunk。

  • 向量化存储：支持 Pinecone、Weaviate、FAISS、Chroma 等。

  • 检索器（Retriever）：把用户问题转化为向量查询，返回相关文档。

• 价值
  解决了 LLM 无法“记住所有知识”的问题，把专有文档、实时数据整合进大模型回答中。

4. 记忆（Memory）

• 内容
  管理对话的上下文记忆，使得大模型可以“连续对话”。

• 细节

  • 短期记忆：保存当前会话的上下文（最近几轮对话）。

  • 长期记忆：通过数据库或向量存储保存长期信息。

  • 记忆类型：

    • ConversationBufferMemory：存储所有对话。

    • ConversationBufferWindowMemory：只存储最近 N 轮。

    • VectorStoreRetrieverMemory：基于检索的记忆。

• 价值
  让应用从“一问一答”变成“对话式交互”，接近人类交流体验。

5. 链（Chains）

• 内容
  LangChain 的核心抽象，用来把模型调用、提示模板、工具调用、解析等串联起来。

• 细节

  • 简单链：Prompt → LLM → 输出。

  • 顺序链：多个链按顺序执行。

  • 分支链：根据条件决定走不同子链。

  • LCEL（LangChain Expression Language）：声明式定义链，支持并发、重试、回退。

• 价值
  让开发者能够构建复杂工作流，而不需要自己写一堆控制逻辑。

6. 代理（Agents）

• 内容
  代理（Agent）是比链更高阶的抽象，让大模型能自主决定调用什么工具、何时调用。

• 细节

  • 核心思想：大模型通过解析用户问题，决定调用哪些工具（搜索、数据库查询、Python 计算等），然后综合工具结果再生成回答。

  • 工具（Tools）：LLM 外的功能模块，比如 API、SQL、计算器。

  • 代理框架：ReAct、Conversational Agent 等。

• 价值
  让 LLM 从“被动回答”升级为“主动规划、调用工具”，成为真正的 智能体（AI Agent）。

四、新手入门：3 步搭建你的第一个 LangChain 应用​

看完理论，动手做个最简单的 “文档问答工具”，感受一下 LangChain 的效率：​

步骤 1：准备环境​

首先安装需要的库（Python 环境）：​

# 安装LangChain核心库、OpenAI（用GPT模型）、PDF加载器、向量库​
pip install langchain openai pypdf chromadb

步骤 2：准备文档​

找一个你熟悉的文档（比如《Python 基础语法.pdf》），放在代码同一个文件夹里。​

步骤 3：写代码运行​

复制下面的代码，替换 “你的 API 密钥” 和 “文档路径”，运行：​

# 2. 拆分文档​
from langchain.text_splitter import RecursiveCharacterTextSplitter​
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)​
splits = text_splitter.split_documents(documents)​
​
# 3. 存储到向量库​
vectorstore = Chroma.from_documents(​
documents=splits,​
embedding=OpenAIEmbeddings(api_key="sk-你的OpenAI密钥") # 替换成你的API密钥​
)​
​
# 4. 搭建问答链​
qa_chain = RetrievalQA.from_chain_type(​
llm=OpenAI(api_key="sk-你的OpenAI密钥"),​
chain_type="stuff",​
retriever=vectorstore.as_retriever()​
)​
​
# 5. 提问测试​
while True:​
question = input("请输入你的问题（输入q退出）：")​
if question == "q":​
break​
print("回答：", qa_chain.run(question))

=​

四、新手避坑：3 个最容易踩的误区​

很多新手觉得 Agents “很酷”，不管什么任务都用 Agents，结果代码复杂还容易出错。其实 80% 的简单任务（比如单轮问答、固定流程）用 Chain 就够了，Agents 适合需要 “动态决策” 的场景（比如不确定用哪个工具、需要多轮调用工具）。​

做 RAG 时，直接把整个文档扔进去，结果 AI 回答混乱 —— 因为文档太长，拆分后的片段要么不完整，要么包含无关信息。新手建议用「RecursiveCharacterTextSplitter」，把 chunk_size 设为 500-1000 字，chunk_overlap 设为 50-100 字，保持语义连贯。​

觉得 “让 LLM 自由发挥更好”，结果回答格式混乱、重点不突出。其实用 Prompt 模板（比如 “请用「问题 + 原因 + 解决方案」的格式回答：{question}”）能让 AI 的回答更规范，新手一定要养成写模板的习惯。​

五、总结：LangChain 入门的核心逻辑​

新手不用一开始就掌握所有功能，记住一个核心逻辑：LangChain 是 “LLM 的辅助工具集”，你需要什么功能，就用什么模块——​

从最简单的 “文档问答”“对话机器人” 做起，慢慢尝试更复杂的场景（比如智能客服、自动化报表），你会发现：原来把 LLM 放进实际业务里，并没有那么难。​