LangChain 是一个用于开发基于大语言模型（LLM）应用的开源框架，旨在简化 LLM 应用的构建流程

LangChain 是一个用于开发基于大语言模型LLM应用的开源框架旨在简化 LLM 应用的构建流程支持链式调用Chains、数据检索增强RAG、记忆管理Memory、工具集成Tools、代理Agents等核心能力。其设计哲学是“模块化 可组合”开发者可通过组合不同组件如 DocumentLoaders、TextSplitter、VectorStore、LLM、PromptTemplate、OutputParsers 等快速搭建定制化 AI 应用如智能问答、文档分析、自动化工作流等。LangChain 支持多种 LLM 后端如 OpenAI、Anthropic、Ollama、HuggingFace、Qwen、GLM 等兼容本地与云端模型同时提供对向量数据库Chroma、FAISS、Pinecone 等、文档解析PDF、Word、Markdown、网页等、提示工程优化和异步/流式响应的支持。v0.1 版本后已演进为 LangChain SDK即 langchain-core langchain-community langchain-openai 等分包架构强调可扩展性与生产就绪性如 tracing、monitoring、callbacks。典型使用示例RAG 流程fromlangchain_community.document_loadersimportWebBaseLoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddings,ChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_core.output_parsersimportStrOutputParser# 加载 → 分割 → 嵌入 → 存储 → 检索 → 构建链loaderWebBaseLoader(https://example.com)docsloader.load()text_splitterRecursiveCharacterTextSplitter(chunk_size500,chunk_overlap50)splitstext_splitter.split_documents(docs)vectorstoreChroma.from_documents(documentssplits,embeddingOpenAIEmbeddings())retrievervectorstore.as_retriever()promptChatPromptTemplate.from_template(根据以下上下文回答问题{context}\n问题{question})llmChatOpenAI(modelgpt-3.5-turbo)rag_chain({context:retriever,question:RunnablePassthrough()}|prompt|llm|StrOutputParser())responserag_chain.invoke(LangChain 的核心模块有哪些)注意LangChain 并非唯一选择同类框架包括 LlamaIndex专注 RAG 优化、Semantic Kernel微软.NET/Python 多语言支持、DSPy声明式编程范式等。在 LangChain 中Chain、Agent和Tool是三个不同抽象层级、职责分明的核心概念它们共同支撑 LLM 应用的逻辑编排与能力扩展Tool工具定义一个可被调用的、具有明确输入/输出的函数式能力单元封装具体操作如搜索网页、查数据库、调用 API、执行 Python 代码、发送邮件等。核心特征原子性、可注册、有描述description和参数 schema用于 LLM 理解如何调用通常需实现invoke(input: str) → str方法。适用场景当需要赋予 LLM「执行外部动作」的能力时使用是 Agent 的“肌肉”。✅ 示例DuckDuckGoSearchRun()、ArxivQueryRun()、自定义WeatherTool。Chain链定义一组确定性、预定义顺序的组件LLM、Prompt、Parser、Retriever、Tool 调用等组成的流水线输入→处理→输出无运行时决策。核心特征静态流程、可组合.assign()/.with_config()、支持异步/流式、强调可复用性和可测试性不依赖 LLM 做控制流决策。适用场景结构化任务如 RAG检索生成、摘要链、分类链、多步数据清洗等。✅ 示例RetrievalQA.from_chain_type()、LLMChain、TransformChain。Agent代理定义由 LLM动态驱动控制流的智能体通过推理如 ReAct、Plan-and-Execute决定是否/何时/如何调用哪些 Tool并能迭代反思Thought-Action-Observation 循环。核心特征运行时决策、依赖 LLM 的推理能力、需配备 Tool 列表 System Prompt如OpenAIFunctionsAgent的 prompt template、支持 stopping criteria 和 max iterations。适用场景开放域、多跳、不确定步骤的任务如“帮我查今天北京天气再推荐3个适合户外的活动”或自动化客服工单处理。✅ 示例initialize_agent(tools, llm, agentAgentType.OPENAI_FUNCTIONS)、create_react_agent()v0.1 推荐。关键区别总结维度ToolChainAgent控制权被动调用无自主性开发者编排确定性流程LLM 动态决策非确定性流程灵活性低单一功能中可嵌套但路径固定高支持循环、条件、失败重试复杂度★☆☆★★☆★★★典型依赖无LLM / Prompt / Parser 等LLM Tool list AgentExecutor⚠️ 注意Tool 可独立使用如手动调用也可被 Chain 封装如ToolChain更常被 Agent 调度Chain 可包含 Tool 调用如LLMChainTool但不自动做决策Agent LLM作为控制器 Tool作为执行器 AgentExecutor调度引擎 Prompt决策指令。