深挖 LangChain

一句话理解

LangChain 是 LLM 应用开发框架，把 Prompt + LLM + Tool 串成 Chain（链），适合构建线性流程的 LLM 应用。它曾是 AI Agent 开发的事实标准，但在 2026 年，新项目普遍使用 LangGraph 替代，LangChain 主要用于存量代码和简单场景。

核心概念

Chain（链）

Chain 是 LangChain 的核心抽象。一个 Chain 把多个组件串联起来：

[Prompt Template] --> [LLM] --> [Output Parser] --> [Next Step]

Prompt Template（提示词模板）

将动态变量插入到预定义的提示词结构中：

from langchain.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{ role }，擅长{ skill }。"),
    ("user", "{ input }"),
])

LLM Wrapper（LLM 封装）

LangChain 提供了统一的 LLM 接口，支持 50+ 模型提供商：

模型类	对应模型
`ChatOpenAI`	GPT-5.5, GPT-5.6, GPT-5
`ChatAnthropic`	Claude Opus 4.8, Claude Sonnet 4.6
`ChatGoogleGenerativeAI`	Gemini 3.5 Pro, Gemini 3.5 Flash
`ChatMistralAI`	Mistral Large 3, Mixtral 3
`ChatOllama`	本地 Llama 4.1, Qwen 3.7 等

Tool（工具）

LangChain 的 Tool 抽象让 LLM 可以调用外部工具：

from langchain.tools import tool

@tool
def search(query: str) -> str:
    """搜索互联网获取最新信息"""
    return serper.search(query)

@tool
def calculator(expression: str) -> str:
    """计算数学表达式"""
    return str(eval(expression))

Memory（记忆）

LangChain 的 Memory 模块管理对话历史：

Memory 类型	说明
`ConversationBufferMemory`	存储完整对话历史
`ConversationSummaryMemory`	用 LLM 摘要压缩历史
`ConversationTokenBufferMemory`	按 token 数限制历史
`ConversationKGMemory`	提取知识图谱存储

LangChain 的优缺点

优点

优点	说明
生态丰富	500+ 集成，覆盖几乎所有 LLM 提供商和工具
社区庞大	GitHub 90k+ stars，海量教程和示例
上手快	高层抽象，几行代码就能搭出原型
文档完善	官方文档、Cookbook、视频教程齐全
LCEL 语法	用 `

缺点

缺点	说明
抽象层太多	大量封装导致调试困难，报错信息不友好
隐藏细节	Prompt 怎么拼的、API 怎么调的不透明
版本碎片化	0.1.x 和 0.2.x 不兼容，迁移成本高
不适合复杂控制流	线性 Chain 无法处理循环和复杂分支
性能开销	层层封装带来额外延迟

LangChain vs LangGraph

维度	LangChain	LangGraph
控制流	线性 Chain（A -> B -> C）	有向图（支持循环、分支、并行）
状态管理	Memory 模块（简单）	StateGraph + Checkpoint（完善）
循环	不支持	原生支持
Human-in-the-loop	不支持	原生支持
复杂度	低，适合简单场景	高，适合复杂 Agent
2026 年推荐	存量维护、简单原型	新项目首选

代码示例：简单 RAG Chain

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough

# 1. 加载向量数据库
vectorstore = Chroma(
    embedding_function=OpenAIEmbeddings(),
    persist_directory="./chroma_db"
)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 2. 定义 Prompt
template = """基于以下上下文回答问题。如果上下文不足以回答，请说"信息不足"。

上下文：
{ context }

问题：{ question }
"""
prompt = ChatPromptTemplate.from_template(template)

# 3. 定义 LLM
llm = ChatOpenAI(model="gpt-5.5", temperature=0)  # 2026年推荐

# 4. 用 LCEL 语法串联 Chain
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 5. 运行
result = chain.invoke("什么是 LangGraph？")
print(result)

2026 年定位

LangChain 在 2026 年的定位是：被 LangGraph 取代用于新项目，但存量代码多，简单场景仍可用。

继续使用 LangChain 的场景：
- 简单的 RAG 应用
- 线性 Prompt 流水线
- 存量代码维护
- 教学和入门学习
不应使用 LangChain 的场景：
- 需要循环/分支的 Agent
- 需要 Human-in-the-loop 的工作流
- 新的生产级 Agent 项目
- 需要精确控制流的场景

LangChain 团队自己也推荐新项目使用 LangGraph。两个框架可以共存：用 LangChain 的组件（LLM Wrapper、Tool、Prompt Template），用 LangGraph 编排控制流。

来源

https://python.langchain.com/docs/introduction/ — LangChain 官方文档
https://github.com/langchain-ai/langchain — LangChain GitHub 仓库
https://blog.langchain.dev/ — LangChain 官方博客
https://python.langchain.com/docs/versions/overview/ — LangChain 版本迁移指南
https://docs.smith.langchain.com/ — LangSmith 文档