LangChain：AI Agent 开发框架的全面解析

2025年11月22日 69点热度 0人点赞 0条评论

在大模型时代，AI 应用的复杂度越来越高，单纯的 Prompt 调用已经无法满足需要复杂工具使用、上下文记忆、结构化推理的智能应用。LangChain 作为当下最流行的 AI Agent 开发框架 之一，正在成为智能应用工程化的事实标准。

本文将从 是什么 → 能做什么 → 怎么做 → 实战示例 → 工程化落地建议 的角度，带你系统了解 LangChain。

一、什么是 LangChain？

LangChain 是一个用于构建 LLM 应用 的开发框架，提供了 Prompt 组织、工具调用、知识库检索、Agent 构建等一系列能力，使得开发者可以以模块化方式搭建复杂智能体。

其核心目标是：

让大模型真正具备“能力”，而不仅仅是聊天
让 Agent 可以调用外部系统、数据库、API、工具
将复杂逻辑拆解为可组合模块

LangChain 主要由三大基础模块构成：

LLM（语言模型层）：OpenAI、Anthropic、DeepSeek、Llama……
Tools（工具层）：计算器、搜索引擎、数据库查询、浏览器控制……
Agents（智能体）：基于模型 + 工具 + 记忆的推理控制器

因此一句话总结：

LangChain = LLM + Memory + Tools + Agent + Workflow

它不是一个模型，而是一个构建智能体的工程化框架。

二、LangChain 的核心能力解析

1. Prompt Template —— 可复用的 Prompt 模板

LangChain 将 Prompt 结构化，让提示词可以包含参数、变量、动态内容：

Python

from langchain.prompts import PromptTemplate

template = PromptTemplate(
    input_variables=["product"],
    template="为{product} 写一段推广文案"
)
print(template.format(product="AI Agent框架"))

from langchain.prompts import PromptTemplate

template = PromptTemplate(
    input_variables=["product"],
    template="为{product} 写一段推广文案"
)
print(template.format(product="AI Agent框架"))

这种结构化方式适合构建可维护的智能应用。

2. Memory —— 让模型拥有“记忆”

支持包括：

会话记忆
长期知识库记忆
缓存（Cache Memory）
自定义记忆结构

示例：

Python

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "你好，我是AI"})

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "你好，我是AI"})

3. Tools —— 让大模型调用外部能力

智能体真正的核心是 可调用工具（Tools）。

LangChain 内置常见工具：

计算器
Python 执行器
搜索引擎（Google/Bing）
浏览器（Playwright）
请求 API
SQL 数据库查询
文件系统操作
各类第三方插件

示例注册工具：

Python

from langchain.agents import Tool

def weather(city):
    return f"{city} 今天多云，气温 20 度"

tools = [
    Tool(
        name="get_weather",
        func=weather,
        description="获取城市天气"
    )
]

from langchain.agents import Tool

def weather(city):
    return f"{city} 今天多云，气温 20 度"

tools = [
    Tool(
        name="get_weather",
        func=weather,
        description="获取城市天气"
    )
]

4. Agent —— LangChain 的灵魂

Agent 可以根据模型的推理结果选择工具，从而完成任务。

例如：

用户输入「查询北京的明天天气，并算出是否适合爬山」
模型判断需要调用天气 API
解析天气数据
使用工具计算气温是否适合户外运动
返回最终结论

LangChain 内置多种 Agent 类型：

ReAct Agent：最经典的推理链结构
OpenAI Functions Agent：函数调用式
Tool Calling Agent：新一代智能调用模式
Multi-Agent：多个智能体协作

5. Chains —— 将复杂任务拆解为“工作流”

例如：

SummarizationChain：文档总结
RetrievalQA：知识库问答
RouterChain：根据用户意图选择工作流
SequentialChain：前后依赖的流水线

适合构建中等复杂度的处理流程。

三、LangChain + LLM 的 Agent 开发实战

下面我们构建一个 可查询天气 + 计算建议的 AI Agent。

1. 安装依赖

Bash

pip install langchain langchain-openai

pip install langchain langchain-openai

2. 初始化模型

Python

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4.1",
    temperature=0
)

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4.1",
    temperature=0
)

3. 注册工具

Python

from langchain.agents import Tool

def get_weather(city: str):
    # 模拟外部 API
    return f"{city} 明天晴，气温 28°C"

tools = [
    Tool(
        name="weather_query",
        func=get_weather,
        description="根据城市名称获取天气信息"
    )
]

from langchain.agents import Tool

def get_weather(city: str):
    # 模拟外部 API
    return f"{city} 明天晴，气温 28°C"

tools = [
    Tool(
        name="weather_query",
        func=get_weather,
        description="根据城市名称获取天气信息"
    )
]

4. 创建 Agent

Python

from langchain.agents import initialize_agent, AgentType

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True
)

from langchain.agents import initialize_agent, AgentType

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True
)

5. 调用 Agent

Python

result = agent.run("帮我查询北京明天天气，并判断是否适合爬香山")
print(result)

result = agent.run("帮我查询北京明天天气，并判断是否适合爬香山")
print(result)

结果类似：

北京明天晴，气温 28°C，整体干燥凉爽，适合爬山活动。

至此，一个具备工具调用能力的智能体就完整运行起来了。

四、构建多智能体协作系统（Multi-Agent）

LangChain 还支持多个 Agent 分工合作。例如创建：

WriterAgent：负责写文章
ResearchAgent：查找资料
QAAgent：校验逻辑
PlannerAgent：项目计划

多个 Agent 可以通过 “消息传递” 协同输出复杂结果。

示例架构：

Planner ——> Research ——> Writer ——> Reviewer

可用于：

文档生成
项目规划
数据分析
自动化工作流
多步骤决策任务

五、LangChain 的工程化能力：为什么它适合构建 AI 产品？

1. 模块化设计

Prompt、Model、Agent、Memory、Tools、Chains 都可拆分和复用。

2. 强大的生态系统

LangChain 的生态覆盖：

搜索（Google / Bing / Serper）
数据库（MySQL、Postgres、MongoDB）
RAG（向量数据库：Pinecone、Milvus、Chroma）
工作流引擎（LangGraph）
多 LLM 后端
浏览器自动化
文件系统和执行环境

3. 可扩展性、可解释性好

Agent 的推理链可以输出完整日志，方便调试和审核。

4. 和 LangGraph 配合构建复杂工作流

LangChain + LangGraph 已成为大模型工作流的主流组合。

六、实战：构建一个 RAG 知识库 Agent

下面是一个小型但可落地的知识库问答实现。

步骤：

加载文档
分段 Chunk
Embedding 向量化
建立向量数据库
构建 RetrievalQAChain

示例代码：

Python

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

# 加载文档
loader = TextLoader("docs/langchain_guide.txt")
docs = loader.load()

# 分段
splitter = RecursiveCharacterTextSplitter(chunk_size=500)
chunks = splitter.split_documents(docs)

# 构建向量数据库
db = Chroma.from_documents(chunks, OpenAIEmbeddings())

# 构建检索器
retriever = db.as_retriever()

# 构建 QA Chain
qa = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    retriever=retriever,
)

res = qa.run("LangChain 的 Agent 是如何协作的？")
print(res)

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

# 加载文档
loader = TextLoader("docs/langchain_guide.txt")
docs = loader.load()

# 分段
splitter = RecursiveCharacterTextSplitter(chunk_size=500)
chunks = splitter.split_documents(docs)

# 构建向量数据库
db = Chroma.from_documents(chunks, OpenAIEmbeddings())

# 构建检索器
retriever = db.as_retriever()

# 构建 QA Chain
qa = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    retriever=retriever,
)

res = qa.run("LangChain 的 Agent 是如何协作的？")
print(res)