LangChain框架

版本基线：本文基于 LangChain 1.x / LangGraph 1.x（2025-10 GA），示例模型 gpt-5-mini，更新于 2026-09。

LangChain 1.0 迁移速览

LangChain 1.0（2025-10 GA）做了一次大规模 API 重构。如果你在旧教程中见过下面的写法，请按对照关系替换：

旧写法（0.x）	现行写法（1.x）
`AgentExecutor` / `initialize_agent`	`from langchain.agents import create_agent`（基于 LangGraph 运行时）
`LLMChain` / `SequentialChain` 等 Chains 类	LCEL 管道写法：`chain = prompt \| model \| parser`
`langchain.memory.*`（`ConversationBufferMemory` 等）	LangGraph checkpointer：`InMemorySaver` + `thread_id`
`langchain` 主包中的旧链/记忆实现	已迁入兼容包 `langchain-classic`（仅为维护旧代码存在，新代码禁用）

官方迁移指南：https://docs.langchain.com/oss/python/migrate/langchain-v1

概述

LangChain是最流行的LLM应用开发框架，提供了丰富的组件和工具，帮助开发者快速构建基于大语言模型的应用程序。本章将深入介绍LangChain的核心概念、架构设计和实践方法。

核心概念

1. 模型（Models）

LangChain支持多种LLM模型，包括：

OpenAI：GPT-5、GPT-4o等（模型迭代快，以官方为准）
Anthropic：Claude系列模型
Google：Gemini系列模型
开源模型：Llama、Mistral等

2. 提示（Prompts）

提示管理是LangChain的核心功能：

PromptTemplate：可重用的提示模板
ChatPromptTemplate：聊天提示模板
FewShotPromptTemplate：少样本提示模板
提示组合：多个提示的组合使用

3. 链（Chains / LCEL）

1.x 中链统一使用 LCEL（LangChain Expression Language）管道语法组合组件：

prompt | model | parser：最常用的基础组合
Runnable 组合子：RunnableParallel、RunnableLambda 等用于编排
条件路由：RunnableBranch 实现分支逻辑
自定义链：任何 Runnable 都可以用管道拼接

旧写法对照

0.x 的 LLMChain、SequentialChain、RouterChain 等类已从 langchain 主包移除，迁入兼容包 langchain-classic（仅为维护旧代码存在，新代码禁止使用）。现行写法一律使用 LCEL 管道。

4. 记忆（Memory / Checkpointer）

1.x 中记忆由 LangGraph 的 checkpointer 统一管理，按 thread_id 保存会话状态：

InMemorySaver：内存检查点，适合开发与测试
SqliteSaver / PostgresSaver：持久化存储，适合生产环境
thread_id：一个会话对应一个线程，自动保留完整消息历史
摘要/窗口策略：在自定义状态或提示中裁剪历史实现

旧写法对照

0.x 的 ConversationBufferMemory、ConversationSummaryMemory 等 langchain.memory.* 类已从主包移除，迁入 langchain-classic。新代码请使用 checkpointer 方案。

5. 索引（Indexes）

索引组件用于文档检索：

文档加载器：加载各种格式的文档
文本分割器：将文档分割成小块
向量存储：存储文档向量
检索器：检索相关文档

6. 代理（Agents）

代理是LangChain的高级抽象，能够动态决定行动：

create_agent：1.x 标准构造方式（基于 LangGraph 运行时）
工具使用：调用外部工具
推理循环：模型决定下一步行动并观察结果
checkpointer：为 Agent 提供多轮记忆

架构设计

1. 核心架构

LangChain采用分层架构：

应用层
├── Chains（链）
├── Agents（代理）
└── Retrieval（检索）
    ├── Models（模型）
    ├── Prompts（提示）
    ├── Memory（记忆）
    └── Indexes（索引）

2. 组件交互

用户输入 → 提示模板 → LLM模型 → 输出解析 → 结果
                ↑
            记忆组件
                ↑
            工具调用

3. 扩展机制

LangChain支持多种扩展方式：

自定义组件：实现自定义模型、工具等
插件系统：安装第三方插件
回调系统：监控和调试
缓存机制：缓存计算结果

核心API

1. 模型调用

python

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# OpenAI模型
llm = ChatOpenAI(
    model="gpt-5-mini",
    temperature=0.7,
    api_key="your-api-key"
)

# Anthropic模型
llm = ChatAnthropic(
    model="claude-sonnet-4-5",
    api_key="your-api-key"
)

# 也可以用 init_chat_model 按字符串快速实例化
from langchain.chat_models import init_chat_model
llm = init_chat_model("openai:gpt-5-mini")

模型迭代快

模型名称更新很快，写代码时请以各厂商官方文档为准。

2. 提示模板

python

from langchain_core.prompts import ChatPromptTemplate

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。"),
    ("user", "{input}")
])

# 格式化提示
messages = prompt.format_messages(input="你好！")

3. 链构建

python

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 创建链
chain = (
    ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手。"),
        ("user", "{input}")
    ])
    | ChatOpenAI(model="gpt-5-mini")
    | StrOutputParser()
)

# 执行链
result = chain.invoke({"input": "你好！"})

4. 代理构建

python

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain.tools import tool

# 定义工具
@tool
def search(query: str) -> str:
    """搜索互联网"""
    return f"搜索结果: {query}"

# 创建代理（基于 LangGraph 运行时）
llm = ChatOpenAI(model="gpt-5-mini")
tools = [search]
agent = create_agent(llm, tools, system_prompt="你是一个有用的助手。")

# 执行代理：输入输出均为 messages 列表
result = agent.invoke(
    {"messages": [{"role": "user", "content": "搜索最新科技新闻"}]}
)
print(result["messages"][-1].content)

5. 记忆管理

python

from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver
from langchain_openai import ChatOpenAI

# 创建 Agent 并挂载内存检查点
agent = create_agent(
    ChatOpenAI(model="gpt-5-mini"),
    tools=[],
    checkpointer=InMemorySaver(),
)

# 同一个 thread_id 共享会话状态（多轮记忆）
config = {"configurable": {"thread_id": "user-001"}}

# 第一轮对话
response = agent.invoke(
    {"messages": [{"role": "user", "content": "你好，我叫小明"}]},
    config=config,
)
print(response["messages"][-1].content)

# 第二轮对话（模型记得上下文）
response = agent.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},
    config=config,
)
print(response["messages"][-1].content)  # 回答"小明"

实践指南

1. 环境准备

bash

# 安装（推荐使用 uv）
uv add langchain langchain-openai langchain-anthropic

# 或使用 pip
pip install -U langchain langchain-openai langchain-anthropic

# 设置环境变量
export OPENAI_API_KEY="your-openai-key"
export ANTHROPIC_API_KEY="your-anthropic-key"

2. 基础示例

python

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 创建简单链
def simple_chain():
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手。"),
        ("user", "{input}")
    ])
    
    llm = ChatOpenAI(model="gpt-5-mini")
    output_parser = StrOutputParser()
    
    chain = prompt | llm | output_parser
    return chain

# 使用示例
chain = simple_chain()
result = chain.invoke({"input": "解释什么是Python"})
print(result)

3. 工具集成示例

python

from langchain.agents import create_agent
from langchain.tools import tool
from langchain_openai import ChatOpenAI

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 这里应该是实际的天气API调用
    return f"{city}今天天气晴朗，温度25度"

@tool
def search_web(query: str) -> str:
    """搜索互联网信息"""
    # 这里应该是实际的搜索API调用
    return f"搜索结果: {query}"

def build_agent():
    llm = ChatOpenAI(model="gpt-5-mini")
    tools = [get_weather, search_web]
    
    # 1.x 无需手写含 agent_scratchpad 的提示模板，
    # create_agent 内置了标准 Agent 提示，用 system_prompt 定制即可
    return create_agent(
        llm,
        tools,
        system_prompt="你是一个有用的助手，可以使用工具来获取信息。",
    )

# 使用示例
agent = build_agent()
result = agent.invoke(
    {"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]}
)
print(result["messages"][-1].content)

旧写法（0.x）对照与迁移

如果你在维护旧代码，下面是 Agent 部分的典型对照：

python

# ❌ 旧写法（LangChain 0.x，已从主包移除，仅存在于兼容包 langchain-classic）
from langchain.agents import AgentExecutor, create_openai_tools_agent

agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "北京今天天气怎么样？"})

# ✅ 新写法（LangChain 1.x）
from langchain.agents import create_agent

agent = create_agent(llm, tools, system_prompt="你是一个有用的助手。")
result = agent.invoke(
    {"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]}
)

迁移要点：

输入键从 {"input": ...} 改为 {"messages": [...]}，结果取自 result["messages"]。
agent_scratchpad 占位符与手写 Agent 提示不再需要，用 system_prompt 定制行为。
verbose=True 调试输出 → 改用 LangSmith 追踪或 LangGraph Studio 观测执行过程。
langgraph.prebuilt.create_react_agent 仍然可用，适合已有 LangGraph 代码；新项目推荐统一使用 langchain.agents.create_agent。

最佳实践

1. 链设计原则

单一职责：每个链只做一件事
可组合性：链应该可以轻松组合
错误处理：添加适当的错误处理
日志记录：记录链的执行过程

2. 性能优化

缓存结果：缓存常见查询结果
异步执行：使用异步API提升性能
批量处理：批量处理多个请求
模型选择：根据任务选择合适的模型

3. 安全考虑

输入验证：验证用户输入
权限控制：限制工具使用权限
敏感信息：避免在提示中包含敏感信息
审计日志：记录所有操作日志

常见问题

1. 安装问题

依赖冲突：使用虚拟环境隔离依赖
版本兼容：检查版本兼容性
API密钥：确保API密钥正确设置

2. 性能问题

响应慢：优化提示设计，减少token数量
内存占用：使用流式处理减少内存占用
并发限制：使用异步处理提升并发能力

3. 调试技巧

LangSmith：开启追踪，查看链与 Agent 每一步的输入输出
回调函数：使用回调函数监控执行
日志分析：分析日志定位问题

下一步学习

核心概念详解 - 深入理解LangChain核心概念
API参考手册 - 详细的API文档
最佳实践指南 - 生产环境使用建议

LangChain框架 ​

概述 ​

核心概念 ​

1. 模型（Models） ​

2. 提示（Prompts） ​

3. 链（Chains / LCEL） ​

4. 记忆（Memory / Checkpointer） ​

5. 索引（Indexes） ​

6. 代理（Agents） ​

架构设计 ​

1. 核心架构 ​

2. 组件交互 ​

3. 扩展机制 ​

核心API ​

1. 模型调用 ​

2. 提示模板 ​

3. 链构建 ​

4. 代理构建 ​

5. 记忆管理 ​

实践指南 ​

1. 环境准备 ​

2. 基础示例 ​

3. 工具集成示例 ​

旧写法（0.x）对照与迁移 ​

最佳实践 ​

1. 链设计原则 ​

2. 性能优化 ​

3. 安全考虑 ​

常见问题 ​

1. 安装问题 ​

2. 性能问题 ​

3. 调试技巧 ​

下一步学习 ​

LangChain框架

概述

核心概念

1. 模型（Models）

2. 提示（Prompts）

3. 链（Chains / LCEL）

4. 记忆（Memory / Checkpointer）

5. 索引（Indexes）

6. 代理（Agents）

架构设计

1. 核心架构

2. 组件交互

3. 扩展机制

核心API

1. 模型调用

2. 提示模板

3. 链构建

4. 代理构建

5. 记忆管理

实践指南

1. 环境准备

2. 基础示例

3. 工具集成示例

旧写法（0.x）对照与迁移

最佳实践

1. 链设计原则

2. 性能优化

3. 安全考虑

常见问题

1. 安装问题

2. 性能问题

3. 调试技巧

下一步学习