LangChain 详解：代理工程平台与 LLM 应用框架

LangChain 详解：代理工程平台与 LLM 应用框架

提到"用大模型做应用"，绕不开的第一个名字就是 langchain-ai/langchain（LangChain）。它是最早把"模型、提示词、工具、检索"串成应用框架的开源项目，如今自我定位已升级为"代理工程平台（The agent engineering platform）"——约 146k Star、MIT 协议，几乎是 LLM 应用开发的默认起点。本文从它的定位演进、核心抽象、快速上手、三层产品矩阵到与同类框架的选型，完整拆解。

1、项目概述

LangChain 是构建代理与 LLM 应用的框架：把可互操作的组件与第三方集成链起来，形成完整应用。仓库约 146k Star、24.4k Fork、1.6 万+ 次提交，MIT 协议，出自 LangChain 公司（LangGraph、LangSmith 同门）。

定位的演进：

        - 起家于"链式调用"框架：模型 + 提示词 + 输出解析器串成 chain

        - 代理时代转向：以 create_agent 为核心的"最小、高度可配置的代理挽具（harness）"

        - 挽具的含义：包住模型循环的提示词、工具与中间件——模型之外的工程外壳

        - JS/TS 生态有同构的 LangChain.js

2、核心抽象：标准化接口

LangChain 最持久的贡献，是给纷乱的 LLM 生态定了一套标准接口——换模型、换向量库、换工具商都只是改一行参数。

标准化的对象：

        - 模型层：chat 模型与嵌入模型的统一接口，init_chat_model 一行切换提供商

        - 数据层：向量存储（vector stores）与检索器（retrievers）的标准接口

        - 能力层：工具（tools）与工具包（toolkits），代理可调用的动作标准化

        - 应用层：chains 组合组件、agents 编排工具调用、RAG 管线检索增强

要点：

1. 模型互操作是立身之本：OpenAI、Anthropic、Gemini、Bedrock、Ollama 等同一套写法

2. 检索器抽象让 RAG 的"换库不改代码"成为可能

3. 工具接口与 MCP 等协议生态互通，代理能力可持续扩展

4. 组件既可独立使用，也可组合进 LangGraph 的图中

3、安装与快速上手

官方推荐 uv 安装；三行代码完成"初始化模型-调用-拿结果"。

// 安装
uv add langchain

from langchain.chat_models import init_chat_model

// 一行初始化，"提供商:模型"格式
model = init_chat_model("openai:gpt-5.5")

result = model.invoke("Hello, world!")

上手要点：

1. init_chat_model 是统一入口，换提供商只改字符串前缀

2. 官方示例的提供商写法涵盖 openai、anthropic、gemini、bedrock、ollama 等

3. invoke 是最基础的调用，流式与批量另有统一方法

4. 从模型调用到代理，进阶路径是 create_agent（见下节）

4、create_agent：代理的挽具

当前版本的核心是 create_agent——官方称之为"最小、高度可配置的挽具"：模型循环之外的一切（提示词、工具、中间件）都由它装配。

create_agent 的设计：

        - 最小核心：不给代理预设行为，配置什么就是什么

        - 高度可配置：提示词、工具集、中间件（如追踪、护栏）即插即拔

        - 底层建在 LangGraph 之上：代理即一张图，天然获得持久化等能力

        - 官方文档列出 OpenAI、Gemini、Anthropic、OpenRouter、Fireworks、Baseten、Ollama、Azure、Bedrock、HuggingFace 十家提供商示例

要点：

1. 简单代理用 create_agent 直接装配，不必手写图

2. 复杂工作流下沉到 LangGraph，两层数据贯通

3. 中间件机制让追踪、人机确认等横切能力不再侵入业务代码

4. 需要规划、子代理、文件系统等重能力时，升级到 Deep Agents

5、产品矩阵：三层分工

LangChain 公司的产品线已形成清晰的三层：开源框架、高层代理包、商业平台。

三层矩阵：

        - LangChain（开源框架）：组件 + create_agent 挽具，MIT 协议

        - LangGraph（开源框架）：低层编排，确定性工作流与可控代理

        - Deep Agents（高层包）：内置规划、子代理派生、文件系统与上下文压缩

        - LangSmith（商业平台）：评测、可观测、调试与长时工作流部署

分工逻辑：

1. 组件复用走 LangChain，代理装配走 create_agent

2. 要对执行图做精细控制（循环、分支、状态）下沉 LangGraph

3. 要开箱即用的重型代理升到 Deep Agents

4. 观测、评测与部署统一交给 LangSmith

6、定位对比：与 LlamaIndex、Dify 怎么选

三大主流选择各占一角：通用组件框架、数据框架、可视化平台。

三者对比：

        - LangChain：通用组件 + 代理装配，生态最大（146k Star），集成最全

        - LlamaIndex：专注数据与 RAG 的框架，检索管线更深（51.8k Star）

        - Dify：可视化平台，业务人员拖拽搭建（153k Star，协议有附加条件）

选型建议：

1. 通用 LLM 应用、代理优先 → LangChain + LangGraph

2. 重 RAG、文档密集场景 → LlamaIndex（或两者组合：LlamaIndex 检索 + LangChain 代理）

3. 面向业务团队、可视化优先 → Dify

4. 组合参考架构：LiteLLM 网关统一模型接入，LangChain/LangGraph 做编排，LangSmith 做观测

7、使用建议与注意事项

使用建议：

        - 从 init_chat_model + invoke 起步，先跑通模型调用再谈代理

        - 简单代理 create_agent 直接装配；复杂编排下沉 LangGraph

        - 开发期就接 LangSmith 追踪，别等出问题再补

        - 官方 LangChain Academy 提供免费课程，体系学习首选

注意事项：

        - API 迭代快、历史版本教程泛滥：认准当前版本文档，警惕 0.1 时代的老写法

        - 抽象层次多，新手容易绕晕：按"模型-工具-代理"顺序渐进

        - 可独立使用不绑全家桶，但深度集成时体验最顺

        - LangSmith 是商业服务，团队引入前评估成本

8、总结

LangChain 是 LLM 应用框架的奠基者与最大生态（约 146k Star、MIT），以"模型、嵌入、向量库、检索器、工具"的标准接口立身，如今核心演进为 create_agent——最小、高度可配置的代理挽具，底层构建在 LangGraph 之上。产品矩阵三层分工：LangChain 装配代理、LangGraph 低层编排、Deep Agents 重型代理、LangSmith 观测部署，覆盖从组件到平台的完整链路。

落地建议：新项目从 init_chat_model 三行代码起步，代理用 create_agent 装配、复杂编排下沉 LangGraph，全程接 LangSmith 观测；RAG 重度场景可组合 LlamaIndex，模型接入统一走 LiteLLM。对于要规模化构建 LLM 应用的团队，熟练驾驭 LangChain 生态是必要的路径起点。