一、LangChain 简介
1、LangChain 概念
LangChain 是一款专为构建基于大语言模型 (LLM) 的应用程序而设计的开源框架。
LangChain 可以理解为'大模型应用开发工具箱'，把和大模型交互、处理数据、连接外部工具的各种能力封装成模块化的组件。大模型应用开发者不用从零开始写所有代码，借助 LangChain 开发框架就能快速搭建复杂的 AI 应用。
LangChain 提供了预构建的代理架构和模型集成，可以快速启动，并无缝地将 LLM 融入智能体或大模型应用程序。借助 LangChain 可以使用不到 10 行代码，就可以连接并使用 OpenAI、Anthropic、Google 等大语言模型。
每次提问，都要将历史对话数据 + 本地 RAG 知识库的数据输出到提示词模板中，然后再将拼接好的提示词输入到 LLM 大语言模型中，得到最终的结果。
LangChain 就是将上述内容封装起来，开发者只需要提前配置好大模型和 RAG 知识库，即可使用很少的代码，实现上述功能。
2、LangChain 定位
LangChain 框架的核心价值在于打破单个 LLM 的能力边界。原生 LLM（大语言模型）只能完成简单的问答、生成任务，而 LangChain 通过'模块化'和'可组合性'，让开发者能够轻松整合 LLM 与外部数据、工具、知识库，构建出具备复杂逻辑、上下文感知、多步推理能力的 AI 应用，如：智能客服、代码生成助手、知识库问答系统、自主智能体等。
如果把大语言模型 (LLM, Large Language Model) 比作汽车的发动机，那么 LangChain 就是完整的汽车底盘 + 传动系统 + 控制系统。LangChain 让'发动机'能适配不同的'车身'（应用场景），实现更复杂的'行驶功能'（业务逻辑）。
3、LangChain 开发语言与应用场景
LangChain 支持 Python 和 JavaScript / TypeScript 双语言开发，生态丰富，兼容主流大语言模型 LLM（OpenAI、Anthropic、Google Gemini、开源的 Llama/GLM 等），是当前 LLM 应用开发的主流框架之一。
LangChain 有如下应用场景：
- 知识库问答 (RAG): 企业内部文档问答、产品手册问答、法律条文检索，核心是"Indexes + RetrievalQAChain"；
- 智能对话机器人: 多轮上下文对话、个性化推荐，核心是"Memory + ConversationChain"；
- 自主智能体 (AI Agent): 自动写代码、数据分析、科研辅助（如调用 PubMed API 检索论文 + 总结），核心是"Agents + Tools"；
- 文本生成与摘要: 长文档总结、多文档对比总结、个性化文案生成，核心是"LLMChain + Prompt Templates"；
- 代码辅助工具: 代码解释、bug 修复、自动化测试，核心是"Agents + PythonREPL Tool"；
4、LangChain 核心组件
LangChain 核心组件: LangChain 框架有五大核心组件分别是 LangChain（基础框架）、LangGraph（多智能体编排）、Deep Agents（智能体外骨骼）、LangSmith（监控平台）。
- LangChain（基础框架）: 智能体系统的'操作系统内核'，提供统一模型接口与模块化开发基础。
- 模型抽象: 统一接口使用适配集成包连接 OpenAI、Anthropic 等 100+ 模型供应商，屏蔽差异；
- 提示词工程: 模板化管理与优化，提升输出质量；
- 工具集成: 支持 API、数据库、向量存储等数百种外部服务；
- 记忆管理: 提供多种记忆策略，解决 LLM 无状态性；
- 文档地址: https://docs.langchain.com/oss/python/langchain/overview
- LangGraph（多智能体编排）: 运行时编排引擎，实现复杂状态管理与任务流控制。
