LangChain 是一个开源框架，用于快速构建基于大语言模型（LLM）的应用，如聊天机器人、RAG（检索增强生成）系统、Agent 等。它提供标准化接口，支持多种 LLM（如 OpenAI、Anthropic、Groq、本地模型等），并允许轻松组合组件（如提示模板、记忆、工具、检索器）来创建复杂工作流。

当前（2025 年 12 月），LangChain 已发布 v1.x 版本（最新约 v1.2.4），核心聚焦于 Agent 构建，并与 LangGraph（低级代理编排框架）深度集成。官方文档已统一优化，推荐从官网开始学习。

1. 安装 LangChain

使用 pip 安装（推荐 Python 3.10+）：

pip install langchain langchain-core langchain-community langchain-openai  # 基础 + OpenAI 支持

• 如果用其他模型，如 Anthropic：pip install langchain-anthropic
• 完整生态：pip install "langchain[all]"（但会安装很多依赖，建议按需）

设置 API Key（以 OpenAI 为例）：

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

2. 基本使用：调用 LLM

最简单示例：直接调用模型生成文本。

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o", temperature=0.7)  # 或 gpt-3.5-turbo

response = llm.invoke("告诉我一个关于AI的笑话。")
print(response.content)

3. 使用 Prompt Template（提示模板）

避免硬编码提示，提高可复用性。

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个幽默的助手。"),
    ("user", "{input}")
])

chain = prompt | llm  # LCEL 语法：链式组合

response = chain.invoke({"input": "告诉我一个关于猫的笑话。"})
print(response.content)

4. 构建 Chain（链）

Chain 是 LangChain 的核心，用于组合多个步骤。

• 简单 LLMChain 已简化，使用 | 操作符（LangChain Expression Language, LCEL）。
  示例：带解析器的链（结构化输出）。

from langchain_core.output_parsers import StrOutputParser

chain = prompt | llm | StrOutputParser()

response = chain.invoke({"input": "列出3种水果。"})
print(response)

5. 添加记忆（Memory）：实现对话历史

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

conversation.predict(input="我叫小明。")
conversation.predict(input="我叫什么？")  # 会记住上文

6. 构建 RAG（检索增强生成）——最常见用例

RAG 让模型访问外部知识（如文档、数据库）。
步骤：

• 加载文档 → 分割文本 → 嵌入 → 存入向量库 → 检索 + 生成。

示例（使用本地向量库 Chroma）：

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 加载文档
loader = TextLoader("your_document.txt")
documents = loader.load()

# 分割
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = splitter.split_documents(documents)

# 嵌入 + 向量库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(texts, embeddings)

# RAG 链
qa_chain = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=vectorstore.as_retriever())

response = qa_chain.invoke({"query": "文档中说了什么关于AI的？"})
print(response["result"])

7. 构建 Agent（智能代理）

Agent 可以自主决定使用工具（如搜索、计算）。

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.tools import Tool  # 或内置工具如 DuckDuckGoSearch

# 示例工具
tools = [Tool(name="Search", func=lambda q: "搜索结果...", description="用于搜索")]

agent = create_tool_calling_agent(llm=llm, tools=tools, prompt=...)  # 需要自定义提示
executor = AgentExecutor(agent=agent, tools=tools)

response = executor.invoke({"input": "今天北京天气怎么样？"})

对于复杂 Agent，推荐使用 LangGraph（LangChain 的子项目）构建有状态、多步代理。

推荐学习资源（2025 年最新）

• 官方文档（强烈推荐，最准确）：https://python.langchain.com/docs/ （有 Quickstart 和 Tutorials）
  • 入门教程：Build a RAG agent（从索引数据到代理实现）。
• 中文文档：
  • https://python.langchain.com.cn/ （官方中文翻译）
  • https://www.langchain.asia/ （社区维护，500+页教程）
  • GitHub: https://github.com/liaokongVFX/LangChain-Chinese-Getting-Started-Guide程。
• 调试工具：用 LangSmith（https://smith.langchain.com/）追踪链/代理执行。

LangChain 更新很快，建议直接看官方文档避免过时。