LangChain：LLM 应用开发框架的行业标准

LangChain：LLM 应用开发框架的行业标准

你写一个基于 GPT-4 的问答机器人，结果花了三天时间拼凑 Prompt 模板、处理 API 调用、管理上下文窗口、手动实现工具调用 — 然后发现下一个需求又要重写一半代码。LangChain 就是专门解决这个重复造轮子问题的抽象层。它把 LLM 应用开发拆解成 Prompts、Chains、Agents、Memory、RAG 等可复用模块，让你从底层胶水代码中解放出来。

GitHub 数据

项目背景

LangChain 由 Harrison Chase 于 2022 年底创建，在 LLM 生态爆发前就已开始设计。当时主流做法是直接调用 OpenAI API，每次写死 Prompt 字符串、手动管理对话历史、用 if-else 判断是否调用工具。Chase 的目标是提供一个 “组合式” 框架，让开发者像搭积木一样连接模型、数据源和外部工具。2023 年成立 LangChain Inc. 后，生态迅速扩展到 JavaScript、Go 等语言，成为 LLM 应用事实上的参考实现。

核心功能解析

Prompt Templates — 告别字符串拼接

传统方式需要手动格式化模板：f"用户问: {user_input} 请用{language}回答"。LangChain 提供 PromptTemplate 对象，支持变量注入、output parser 和 few-shot 示例的结构化管理。

from langchain_core.prompts import PromptTemplate

template = "用户问: {question}
请用{language}回答"
prompt = PromptTemplate(input_variables=["question", "language"], template=template)
print(prompt.format(question="今天天气如何", language="中文"))

Chains — 多步流程编排

单一 LLM 调用解决不了复杂逻辑。LangChain 的 Chain 抽象允许将 多个 Prompt + LLM + 后处理 串联成管道。例如 LLMChain 是最简单的一对一组合；SequentialChain 将前一步输出作为后一步输入；RouterChain 根据输入自动选择分支。

from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4", temperature=0)
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run(question="世界第一高楼", language="简体中文")

Agents — 让 LLM 自己决定下一步

当需要访问数据库、计算器、搜索引擎等外部工具时，Agent 模式让 LLM 自主决定调用哪个工具（ReAct 循环）。LangChain 内置了 Tool 抽象 和多种 Agent 类型（如 zero-shot-react-description、conversational-react-description）。

from langchain.agents import create_react_agent, AgentExecutor
from langchain_community.tools import WikipediaQueryRun

agent = create_react_agent(llm, tools=[wikipedia_tool], prompt=agent_prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "谁发现了青霉素？他的出生日期是哪天？"})

快速上手

# 安装
pip install langchain langchain-openai

# 基本使用（需要设置 OPENAI_API_KEY）
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

llm = ChatOpenAI(model="gpt-4o-mini")
response = llm.invoke([HumanMessage(content="用一句话解释LangChain是什么")])
print(response.content)

技术亮点

LangChain 最值得关注的设计决策是 “管道 + 回调” 架构：

• 模块化管道：每个组件（Prompt、LLM、Memory、Output Parser）都实现 Runnable 接口（Python 的 __or__ 操作符重载），支持 | 运算符。比如 prompt | llm | output_parser 就是一条可执行的链。这种设计让组合变得极其自然，且每个环节都可以独立替换、测试。
• 回调系统（Callbacks）：所有组件在执行前后都会触发事件。开发者可以挂载日志记录、性能追踪、流式输出（stream）甚至断点调试。这对于生产环境下的可观测性至关重要，也是 LangSmith 监控平台的基础。
• Memory 接口：抽象了对话历史管理，支持 ConversationBufferMemory（全量）、ConversationSummaryMemory（摘要）、VectorStoreRetrieverMemory（基于向量检索）。所有 Memory 都实现 BaseMemory 接口，可与 Chain 无缝集成。

一个容易被忽略的细节：LangChain 在 v0.3 以后全面转向 LangGraph 作为底层执行引擎，支持有环图、条件分支、持久化状态。如果你用过 v0.1 的 SequentialChain，现在推荐直接用 LangGraph 重写复杂流程。

同类对比

总结

如果你正在构建一个需要长期维护、支持多模型切换、集成外部工具的 LLM 应用（无论是聊天机器人、RAG 系统还是自动化工作流），LangChain 是当前最成熟、社区最活跃的选择。它不是你最后一个框架，但很可能是你第一个认真考虑生产化的起点。一句话：用 LangChain 省掉 80% 的样板代码，把精力留给业务逻辑优化。