LangChain核心概念详解

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。

概述

LangChain是一个用于开发由大语言模型（LLM）驱动的应用程序的框架。本章将深入介绍LangChain的核心概念，包括模型、提示、链、记忆、索引和代理等。

核心概念

1. 模型（Models）

LangChain支持多种LLM模型：

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（LCEL）

1.x 中链统一使用 LCEL 管道语法组合组件：

prompt | model | parser：基础组合
Runnable 组合子：RunnableParallel、RunnableLambda 等编排
条件路由：RunnableBranch 实现分支逻辑
自定义链：任何 Runnable 都可以拼接

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. 工具（Tools）

工具是 Agent 与外部世界交互的接口：

@tool 装饰器：把普通函数转换为工具
StructuredTool：从函数构建结构化工具
工具类型注解：参数类型自动生成工具 schema
检索增强组件：文档加载器、文本分割器、向量存储、检索器常封装为工具接入 Agent

5. 代理（Agents / create_agent）

1.x 中代理的标准构造方式是 create_agent（基于 LangGraph 运行时）：

create_agent：内置推理与工具调用循环，取代 AgentExecutor
工具使用：模型自主决定调用哪些工具
中间步骤：结果中的消息列表包含完整的思考与工具调用轨迹
错误处理：模型与工具错误由运行时统一处理

6. 记忆（Memory / Checkpointer）

1.x 中记忆由 LangGraph checkpointer 统一管理：

InMemorySaver：内存检查点，适合开发测试
SqliteSaver / PostgresSaver：持久化存储，适合生产环境
thread_id：一个会话一个线程，自动保留消息历史
摘要/窗口策略：在提示或自定义状态中裁剪历史实现

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。

技术原理

1. 模型抽象层

LangChain的模型抽象层：

统一接口：统一不同模型的调用接口
参数管理：管理模型参数
错误处理：处理模型调用错误
重试机制：自动重试失败的调用

2. 链执行引擎

链执行引擎的核心机制：

顺序执行：按顺序执行链中的组件
数据传递：在组件间传递数据
错误传播：传播和处理错误
回调机制：支持回调函数

3. 记忆管理机制

记忆管理的核心机制：

存储后端：支持多种存储后端
序列化：序列化和反序列化记忆
压缩：压缩记忆以节省空间
检索：从记忆中检索信息

核心API

1. 模型调用

python

# 导入LangChain的模型封装类
# langchain_openai.ChatOpenAI：OpenAI模型的LangChain封装
# 安装：pip install langchain-openai
from langchain_openai import ChatOpenAI

# 导入Anthropic模型封装类
# langchain_anthropic.ChatAnthropic：Anthropic Claude模型的LangChain封装
# 安装：pip install langchain-anthropic
from langchain_anthropic import ChatAnthropic

# 创建OpenAI模型实例
# ChatOpenAI类：封装了OpenAI API的调用逻辑
# 参数说明：
#   model：模型名称，如"gpt-5-mini"、"gpt-4o"
#   temperature：控制输出随机性，0-2之间，越低越确定
#   api_key：OpenAI API密钥
llm = ChatOpenAI(
    model="gpt-5-mini",  # 使用gpt-5-mini模型（推荐）
    temperature=0.7,  # 中等随机性，平衡创造性和准确性
    api_key="your-api-key"  # 替换为真实的API密钥
)

# 创建Anthropic模型实例
# ChatAnthropic类：封装了Anthropic API的调用逻辑
# 参数说明：
#   model：模型名称，如"claude-sonnet-4-5"
#   api_key：Anthropic API密钥
llm = ChatAnthropic(
    model="claude-sonnet-4-5",  # 使用Claude Sonnet 4.5模型
    api_key="your-api-key"  # 替换为真实的API密钥
)

# 调用模型
# invoke()方法：发送请求并获取响应
# 参数：用户输入的文本
# 返回值：AIMessage对象，包含模型生成的内容
response = llm.invoke("你好！")

# 获取响应内容
# response.content：AIMessage对象的content属性，包含文本内容
print(response.content)

2. 提示模板

python

# 导入LangChain的聊天提示模板
# langchain_core.prompts.ChatPromptTemplate：用于创建聊天提示模板
# 提示模板可以包含系统消息、用户消息等
from langchain_core.prompts import ChatPromptTemplate

# 创建提示模板
# ChatPromptTemplate.from_messages()：从消息列表创建提示模板
# 参数：消息列表，每个消息是元组格式 (角色, 内容)
# 角色类型：
#   "system"：系统消息，定义AI助手的行为
#   "user"：用户消息，用户的输入
#   "assistant"：助手消息，AI的回复
# 占位符：{input} 表示运行时会被替换的变量
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。"),  # 系统消息：定义助手角色
    ("user", "{input}")  # 用户消息：{input}是占位符
])

# 格式化提示
# format_messages()：将占位符替换为实际值
# 参数：占位符变量名和值的映射
# 返回值：格式化后的消息列表
messages = prompt.format_messages(input="你好！")
print(messages)

3. 链构建

python

# 导入必要的LangChain组件
from langchain_openai import ChatOpenAI  # OpenAI模型封装
from langchain_core.prompts import ChatPromptTemplate  # 提示模板
from langchain_core.output_parsers import StrOutputParser  # 字符串输出解析器

# 创建链（Chain）
# 链是LangChain的核心抽象，将多个组件串联起来
# 使用管道操作符 | 连接各个组件
# 数据流向：提示模板 -> 模型 -> 输出解析器
chain = (
    # 第一步：创建提示模板
    ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手。"),
        ("user", "{input}")
    ])
    # 第二步：创建OpenAI模型
    | ChatOpenAI(model="gpt-5-mini")
    # 第三步：创建输出解析器
    # StrOutputParser()：将模型输出转换为字符串
    | StrOutputParser()
)

# 执行链
# invoke()方法：执行整个链
# 参数：包含占位符变量的字典
# 返回值：链的最终输出结果
result = chain.invoke({"input": "你好！"})
print(result)

4. 记忆管理（现代方式）

python

# 导入LangChain的核心组件
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 创建存储会话历史的字典
# 每个session_id对应一个独立的对话历史
store = {}

def get_session_history(session_id: str) -> InMemoryChatMessageHistory:
    """获取会话历史"""
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

# 创建模型
llm = ChatOpenAI(model="gpt-5-mini")

# 创建带历史的链
# RunnableWithMessageHistory：自动管理对话历史
with_message_history = RunnableWithMessageHistory(
    llm,  # 语言模型
    get_session_history,  # 获取历史的函数
    input_messages_key="input",  # 输入消息的键
    history_messages_key="history",  # 历史消息的键
)

# 配置session_id
config = {"configurable": {"session_id": "abc123"}}

# 第一轮对话
response = with_message_history.invoke(
    {"input": "你好，我叫小明"},
    config=config,
)
print(response.content)

# 第二轮对话（模型会记住上下文）
response = with_message_history.invoke(
    {"input": "我叫什么名字？"},
    config=config,
)
print(response.content)  # 模型会回答"小明"

Agent 的记忆用 checkpointer

RunnableWithMessageHistory 适合普通 LCEL 链。对于 create_agent 创建的 Agent，记忆统一由 LangGraph checkpointer 管理（InMemorySaver + thread_id），详见下文实践指南。

实践指南

1. 环境准备

bash

# 安装LangChain
pip install 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

# 创建简单链的函数
def simple_chain():
    """
    创建一个简单的LangChain链
    
    返回值：
        chain: 可执行的链对象
    
    链的结构：提示模板 -> 模型 -> 输出解析器
    """
    # 创建提示模板
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个有用的助手。"),  # 系统消息
        ("user", "{input}")  # 用户消息占位符
    ])
    
    # 创建OpenAI模型
    llm = ChatOpenAI(model="gpt-5-mini")
    
    # 创建输出解析器
    # StrOutputParser()：将模型输出转换为纯字符串
    output_parser = StrOutputParser()
    
    # 使用管道操作符连接组件
    # 数据流向：prompt -> llm -> output_parser
    chain = prompt | llm | output_parser
    return chain

# 使用示例
# 创建链实例
chain = simple_chain()

# 执行链
# invoke()方法：执行整个链
# 参数：包含输入变量的字典
result = chain.invoke({"input": "解释什么是Python"})
print(result)

3. 工具集成示例

eval() 的安全风险

示例中的 calculate 工具使用 eval() 直接执行字符串表达式，仅适用于本地演示。eval() 会执行任意 Python 代码，若工具输入来自用户或模型输出，可能被注入恶意代码导致数据泄露或系统被控。生产环境请改用 ast.literal_eval（仅解析字面量）或受限的表达式求值库（如 simpleeval），并遵循最小权限原则。

python

# 导入必要的LangChain组件
from langchain_openai import ChatOpenAI  # OpenAI模型
from langchain.agents import create_agent  # 1.x 标准Agent构造函数
from langchain.tools import tool  # 工具装饰器

# 使用@tool装饰器定义工具
# @tool装饰器：将函数转换为LangChain工具
# 函数的docstring会作为工具的描述
# 函数的类型注解会作为参数的类型定义
@tool
def search(query: str) -> str:
    """搜索互联网
    
    参数：
        query (str): 搜索关键词
    
    返回值：
        str: 搜索结果
    """
    # 这里应该是实际的搜索API调用
    # 示例返回模拟结果
    return f"搜索结果: {query}"

@tool
def calculate(expression: str) -> str:
    """计算数学表达式
    
    参数：
        expression (str): 数学表达式，如 "2 + 3 * 4"
    
    返回值：
        str: 计算结果
    """
    try:
        # 仅演示用：eval() 有代码注入风险，生产环境请使用
        # ast.literal_eval 或 simpleeval 等受限求值方案
        result = eval(expression)
        return str(result)
    except:
        return "计算错误"

def build_agent():
    """
    创建Agent
    
    返回值：
        agent: 基于 LangGraph 运行时的 Agent 实例
    
    Agent是能够使用工具的智能体
    """
    # 创建OpenAI模型
    llm = ChatOpenAI(model="gpt-5-mini")
    
    # 工具列表
    tools = [search, calculate]
    
    # 创建Agent
    # create_agent()：1.x 标准Agent构造方式，基于 LangGraph 运行时
    # 参数：
    #   llm：语言模型
    #   tools：工具列表
    #   system_prompt：系统提示，定义Agent的行为（无需手写 agent_scratchpad）
    return create_agent(
        llm,
        tools,
        system_prompt="你是一个有用的助手，可以使用工具来完成任务。",
    )

# 使用示例
# 创建Agent实例
agent = build_agent()

# 执行Agent
# invoke()方法：执行Agent
# 输入是 messages 列表；Agent会自动决定是否使用工具，以及使用哪个工具
# 结果在 result["messages"] 中，最后一条为最终回答
result = agent.invoke(
    {"messages": [{"role": "user", "content": "搜索最新科技新闻并计算相关数据"}]}
)
print(result["messages"][-1].content)

旧写法（0.x）对照

python

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

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手，可以使用工具来完成任务。"),
    ("user", "{input}"),
    ("placeholder", "{agent_scratchpad}")  # 需要手动维护思考过程占位符
])
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "搜索最新科技新闻并计算相关数据"})

# ✅ 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": "..."}]})

迁移要点：

AgentExecutor 的执行循环已内置于 create_agent（底层是 LangGraph 运行时）。
提示模板与 agent_scratchpad 不再需要，用 system_prompt 参数定制行为。
输入从 {"input": ...} 改为 {"messages": [...]}；verbose=True 的调试输出由 LangSmith / LangGraph Studio 取代。

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

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
LangGraph工作流 - 学习基于图的Agent工作流

LangChain核心概念详解 ​

概述 ​

核心概念 ​

1. 模型（Models） ​

2. 提示（Prompts） ​

3. 链（LCEL） ​

4. 工具（Tools） ​

5. 代理（Agents / create_agent） ​

6. 记忆（Memory / Checkpointer） ​

技术原理 ​

1. 模型抽象层 ​

2. 链执行引擎 ​

3. 记忆管理机制 ​

核心API ​

1. 模型调用 ​

2. 提示模板 ​

3. 链构建 ​

4. 记忆管理（现代方式） ​

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 ​

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核心概念详解

概述

核心概念

1. 模型（Models）

2. 提示（Prompts）

3. 链（LCEL）

4. 工具（Tools）

5. 代理（Agents / create_agent）

6. 记忆（Memory / Checkpointer）

技术原理

1. 模型抽象层

2. 链执行引擎

3. 记忆管理机制

核心API

1. 模型调用

2. 提示模板

3. 链构建

4. 记忆管理（现代方式）

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

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