Appearance
LangChain 概览
LangChain 是构建 AI Agent 和 LLM 应用最简单的方式。只需不到 10 行代码，你就可以连接 OpenAI、Anthropic、Google 等主流模型提供商，快速构建具备工具调用、流式响应和结构化输出能力的智能体。
1. LangChain 是什么
1.1 一句话定义
LangChain 是一个提供 预置 Agent 架构和模型集成 的高层框架，帮助你快速将 LLM 接入应用、构建智能体、处理复杂的工具编排任务。
1.2 生态定位
LangChain 不是一个孤立的库，它是整个 LangChain 生态的核心入口。理解生态各部分的关系，有助于你在正确的场景选择正确的工具。
| 组件 | 定位 | 何时使用 |
|---|---|---|
| LangChain | 高层 Agent 框架 | 快速构建 Agent、工具链、RAG 管道 |
| LangGraph | 低层编排框架 | 复杂工作流、需要中断/恢复/持久化 |
| Integrations | 模型集成包 | 连接具体的 LLM Provider |
| LangSmith | 开发运维平台 | 调试、测试、部署、监控 |
前端类比
把 LangChain 生态类比为前端工具链：LangChain ≈ Next.js（高层、约定式、开箱即用），LangGraph ≈ Express.js（低层、自由度高、完全控制中间件和路由），Provider 包 ≈ npm 适配器（如 axios 对 fetch 的封装），LangSmith ≈ Sentry + Vercel（监控 + 部署平台）。
LangChain 原生语义：LangChain 自我定位为 "the easiest way to start building agents"。它提供的 create_agent 是一个高层封装，底层实际运行在 LangGraph 的运行时之上。你无需了解 LangGraph 就能使用 LangChain 的基础功能，但当你需要更精细的控制时，可以随时"下探"到 LangGraph 层面。
1.3 LangChain vs LangGraph：如何选择
| 维度 | LangChain | LangGraph |
|---|---|---|
| 抽象层级 | 高层——预置 Agent 架构、工具绑定 | 低层——节点、边、状态、执行运行时 |
| 核心关注 | 模型调用、工具编排、Middleware | 执行控制：中断/恢复/持久化/流式 |
| 上手成本 | 低——10 行代码创建 Agent | 中——需要理解图模型 |
| 适用场景 | 快速原型、标准 Agent 模式 | 复杂流程、生产级控制需求 |
简单判断标准：
- 如果你的 Agent 是"接收输入 → 调用工具 → 返回结果"的线性流程 → 用 LangChain
- 如果你需要条件分支、并行执行、中断恢复、复杂状态管理 → 用 LangGraph
- 先用 LangChain 快速验证，遇到瓶颈再升级到 LangGraph → 推荐路径
2. 核心能力
LangChain 提供以下核心能力：
2.1 Agent 创建
通过 create_agent 统一接口，几行代码创建具备工具调用能力的智能体：
python
from langchain.agents import create_agent
from langchain.tools import tool
@tool
def search(query: str) -> str:
"""搜索信息"""
return f"关于 {query} 的搜索结果"
agent = create_agent(
model="anthropic:claude-sonnet-4-5-20250929",
tools=[search],
)
result = agent.invoke({"messages": [{"role": "user", "content": "搜索 AI 最新进展"}]})2.2 多 Provider 支持
通过 init_chat_model 统一接口，一行代码切换不同的模型提供商：
python
from langchain.chat_models import init_chat_model
# 切换 Provider 只需改一个字符串
model = init_chat_model("anthropic:claude-sonnet-4-5-20250929")
model = init_chat_model("openai:gpt-4o")
model = init_chat_model("google-genai:gemini-2.0-flash")2.3 流式响应
内置三种流式模式（updates / messages / custom），支持前端实时显示 AI 回复。
2.4 Middleware 系统
通过中间件增强 Agent 功能——PII 检测、对话摘要、人工审批等，无需修改核心逻辑。
2.5 结构化输出
让 Agent 返回 Pydantic 模型、TypedDict 或 JSON Schema 格式的结构化数据，告别手动解析。
2.6 多智能体模式
内置 Subagents、Handoffs、Router 等多智能体协作模式，构建复杂的 Agent 团队。
3. 学习路径
建议按以下顺序学习本教程：
| 阶段 | 内容 | 目标 |
|---|---|---|
| 入门 | 安装、快速上手、设计理念 | 跑通第一个 Agent |
| 核心 | Agent、Models、Tools、Streaming 等 | 掌握基础组件 |
| 进阶 | Middleware、RAG、MCP、多智能体 | 构建生产级应用 |
| 实战 | 语义搜索、RAG Agent、SQL Agent | 端到端项目经验 |
4. 前置知识
开始学习 LangChain 前，建议具备以下基础：
- Python 基础：变量、函数、类、装饰器、async/await
- LLM 概念：了解什么是大语言模型、prompt、token
- API 概念：了解 REST API 调用方式（前端开发者已具备）
不需要有 AI/ML 背景，LangChain 的设计目标就是让应用开发者也能轻松构建 AI 应用。
如果任务需要开箱即用的规划、文件系统、上下文压缩与子 Agent，而不想自行组装 Harness，可以继续 阅读 Deep Agents 生态定位与选型。它构建在 LangChain Agent 与 LangGraph Runtime 之上，不是替代二者的平行运行时。