LangChain 1.3入门实战：大模型与Agent核心解析

为什么现在人人都在学LangChain

在AI应用开发领域，一个显著的趋势正在发生：越来越多的岗位在招聘要求中明确写上了大模型、LangChain、LangGraph等关键词。不少有多年前端、测试、开发经验的工程师在跳槽或求职时发现，市面上几乎所有相关岗位都要求掌握大模型应用开发能力，而其中以LangChain、LangGraph体系居多。

这背后反映的是行业结构性的变化——大模型不再是研究员的专属领域，而是逐渐演变为一种应用工程能力。掌握LangChain这类框架，本质上是掌握了将大模型能力落地到业务场景的核心工具。

LangChain的起源与崛起值得了解：它由Harrison Chase于2022年10月创建，最初作为一个开源项目发布在GitHub上。它的诞生恰好赶上了ChatGPT引发的大模型应用爆发期，在短短数月内就成为GitHub上增长最快的开源项目之一。LangChain的核心设计理念是"链式组合"（Chaining），即将不同的AI能力模块像积木一样组合起来，构建复杂的应用流程。这一理念源于函数式编程中的管道（Pipeline）思想——每个处理步骤接收上一步的输出作为输入，各模块职责单一、边界清晰。这种设计哲学在Unix操作系统的管道操作符（|）中已有数十年实践历史，LangChain将其引入AI应用层，使得提示词模板、模型调用、输出解析、工具执行等步骤可以自由组合、复用，极大降低了复杂AI工作流的开发门槛。正是这种将复杂工程问题模块化、标准化的思路，使其迅速成为AI应用开发的事实标准，并在2023年以超过75,000颗GitHub Star的增速创下开源项目历史纪录。

说个细节版本问题。目前LangChain已经迭代到1.3版本，而市面上大量免费教程仍停留在0.2、0.6、0.8等旧版本。这里需要明确一个建议：1.0之前的版本已经不建议再花时间学习，因为架构和API变化较大，学了之后实际用处有限。学习应当以最新的1.3版本为基准。

值得注意的是，LangChain从0.x到1.x的版本跨越并非简单的功能叠加，而是一次深层架构重构。团队将原先耦合在一个包中的所有功能拆分为langchain-core（核心抽象）、langchain-community（社区集成）和各厂商专属包（如langchain-openai）三层结构，并引入了LCEL（LangChain Expression Language，LangChain表达式语言）作为统一的链式组合语法。LCEL基于Python的管道运算符（|）重载，使得prompt | model | output_parser这样的链式调用在语法层面就能直观表达数据流向，同时原生支持异步调用、流式输出和批量处理，这是旧版本无法提供的工程能力。

真正理解大模型的三大局限

要搞清楚为什么需要LangChain这样的框架，必须先弄明白大语言模型（LLM）本身的能力边界。作为应用开发者，我们不必深究算法原理，但必须清楚模型的局限所在。

大语言模型（LLM）的本质是基于海量文本数据训练的概率模型，它通过预测下一个词（Token）的方式生成文本。从架构上看，现代LLM几乎都基于Transformer架构，其核心机制"自注意力"（Self-Attention）使模型能够捕捉文本中任意两个位置之间的依赖关系。Transformer架构由Google于2017年在论文《Attention Is All You Need》中提出，彻底取代了此前主流的循环神经网络（RNN）。自注意力机制的关键在于：对于序列中的每一个Token，模型会计算它与序列中所有其他Token的相关性权重，从而在生成每个词时"关注"到全局上下文，而非仅依赖局部窗口。这一机制赋予了LLM强大的语言理解和生成能力，但训练完成后模型的参数权重就已固化——它的"知识"被静态地编码在数十亿乃至数千亿个参数中，无法随外部世界的变化而自动更新。这一本质特征，决定了下述三大工程约束。

局限一：知识存在时间截止点

大模型是基于某一时间点之前的互联网数据训练而成的。训练截止时间之后发生的事件或新知识，模型一概不知——这就是"知识截止"（Knowledge Cutoff）问题，也是开发AI应用时必须正视的硬约束。

以GPT-4为例，其训练数据截止于2023年4月，这意味着此后发生的所有事件对它而言都是"未来"。在企业应用场景中，这一问题更为突出——业务数据、产品信息、规章制度等私有知识同样不在模型的训练集内。

解决这一问题的主流方案是RAG（检索增强生成，Retrieval-Augmented Generation）技术：在模型生成回答之前，先从外部知识库中检索相关文档片段，再将这些片段作为上下文注入提示词，让模型基于最新、最相关的信息生成回答。RAG的工作流程通常分为两个阶段：索引阶段将文档切分为小块（Chunk），通过嵌入模型（Embedding Model）将其转化为高维向量存入向量数据库；检索阶段则将用户查询同样向量化，通过余弦相似度等算法找出最相关的文档片段，拼接进提示词。

理解这一过程需要掌握"向量化"的直觉：嵌入模型会将一段文本映射到一个几百至几千维的浮点数向量空间中，语义相近的文本在这个空间中的距离也更近。例如"如何申请病假"和"病假流程是什么"这两段文字，尽管字面表达不同，其向量表示之间的余弦相似度依然很高，因此检索时能够互相匹配。这种基于语义的检索能力，远超传统关键词搜索的匹配精度。RAG将向量数据库、嵌入模型和生成模型三者有机结合，以极低的成本实现了知识库的动态更新，已成为企业级AI应用的标配架构，也是LangChain重点支持的核心能力之一。

局限二：模型本身没有记忆

很多人有一个误解：既然ChatGPT、DeepSeek这些产品能记住对话内容，那模型应该是有记忆的。实际上，大模型本身不具备记忆功能。你告诉它"我叫张三"，在下一轮独立对话中，它并不会记得这个信息。我们平时体验到的"记忆"，是应用层通过维护对话历史、上下文管理等手段实现的，而非模型自身的能力。

从技术层面理解，每次调用大模型API本质上是一次无状态（Stateless）的函数调用——模型接收输入（提示词），返回输出（生成文本），仅此而已。服务端不保留任何请求间的会话状态，每次调用都是完全独立的。无状态设计是现代Web服务的基本原则，它使得服务可以水平扩展、不依赖特定实例，但也意味着"记忆"的责任完全落在调用方（即应用开发者）身上。对话产品之所以"有记忆"，是因为应用层将历史对话消息列表拼接到每次请求的上下文中，让模型在单次调用内"看到"了完整的历史。

这一机制也直接引出了**上下文窗口（Context Window）**的概念——模型单次能处理的文本长度有明确上限，以Token数量计算（如GPT-4 Turbo支持128K Token，约等于10万个汉字）。Token并非简单等同于字符或单词：对于英文，一个Token约为0.75个单词；对于中文，一个汉字通常对应1-2个Token，具体取决于分词器（Tokenizer）的实现。随着对话轮次增加，历史消息累积会迅速消耗上下文容量，超出部分会被截断。如何在有限上下文中高效管理信息——例如对旧消息进行摘要压缩、提取关键实体存入外部记忆——是AI应用工程的核心难题之一，也是LangChain记忆管理模块着重解决的问题。

局限三：无法直接获取业务数据

模型无法获取训练截止后的信息，也无法直接读取私有的业务数据。要让大模型服务于具体业务场景，就需要给它绑定工具，通过工具调用（Tool Calling，也称Function Calling）来获取额外的知识和实时数据。工具调用本质上是一种结构化输出机制：开发者在提示词中声明可用工具的名称、描述和参数格式（通常以JSON Schema定义），模型根据用户意图决定是否调用工具，并输出结构化的调用参数，由应用层执行实际的外部操作（如查询数据库、调用API、执行代码），再将结果返回给模型继续推理。

工具调用能力的出现是大模型从"知识问答系统"向"自主执行系统"转变的关键节点。以一个实际场景为例：用户询问"帮我查一下今天北京的天气"，模型本身无法访问互联网，但它可以输出{"tool": "get_weather", "params": {"city": "北京", "date": "today"}}这样的结构化调用指令，由应用层实际请求天气API，再将返回结果（如"晴，25℃"）注入后续对话，最终由模型生成自然语言回答。整个过程对用户完全透明，却实现了模型能力的大幅延伸。

这三个局限，恰恰构成了LangChain等AI应用框架存在的根本理由。

LangChain到底解决了什么问题

早期开发AI应用非常繁琐——为了弥补模型的天然缺陷，开发者需要从零搭建大量基础设施。LangChain正是在这一背景下应运而生，它本质上是一个专为AI应用开发设计的工程框架。

在实际企业环境中，LangChain和LangGraph是使用最广泛的选择。它主要解决了以下几个核心问题：

统一的大模型接口

在没有框架的年代，每个大模型厂商都有独立且各异的API接口，换一个模型就要重写大量代码。LangChain提供了统一的模型接口层，让开发者只需替换模型名称，上层业务代码几乎无需改动，框架自动帮你兼容各家厂商的大模型。

这一设计的价值在快速变化的大模型市场中尤为突出。目前LangChain官方支持的模型提供商超过80家，包括OpenAI、Anthropic、Google、百度、阿里、DeepSeek等主流厂商。统一接口不仅降低了迁移成本，还使得多模型对比测试、按需切换成为可能——这对企业在控制成本与保障性能之间寻求平衡至关重要。从架构设计角度看，这本质上是**依赖倒置原则（Dependency Inversion Principle）**的体现：上层业务逻辑依赖抽象接口而非具体实现，底层模型的替换对上层完全透明。这一原则来自面向对象设计的SOLID原则体系，在传统软件工程中已被广泛验证，LangChain将其成功移植到AI应用的跨模型兼容场景，使得"今天用GPT-4开发，明天切换DeepSeek降低成本"这类工程决策变得极为低摩擦。

模块化的工程架构

LangChain将大模型应用中的各个组件——状态管理、上下文、历史消息、工具调用、提示词、中间件等——进行了模块化拆分。这种设计让复杂的AI应用开发变得清晰有序，各模块各司其职，维护成本大幅降低。

记忆与上下文管理

针对模型"记不住话"的问题，LangChain框架提供了短期记忆、长期记忆的系统化管理方案。开发者无需手动介入，框架就能自动维护对话状态和上下文，这是构建可用AI应用的关键能力。

短期记忆通常指单次对话会话内的历史消息管理，LangChain提供了多种策略：完整保留所有历史消息（ConversationBufferMemory）、只保留最近N轮（ConversationBufferWindowMemory）、对超长历史进行自动摘要（ConversationSummaryMemory）等，开发者可按业务需求灵活选择。其中摘要策略尤为值得关注——它通过调用一次LLM将旧对话压缩为简短摘要，在损失极少信息的前提下大幅减少Token消耗，是长对话场景下的常见工程权衡。长期记忆则涉及跨会话的用户信息持久化存储，通常借助向量数据库（如Chroma、Pinecone、Weaviate）或关系型数据库实现。LangChain对两种记忆模式都提供了开箱即用的抽象层，屏蔽了底层存储细节。

为什么AI应用开发选Python而非Java

关于开发语言，一个常见疑问是：为什么主流AI应用框架都用Python而不是Java？原因主要有两点：

私有化部署的刚需。 所有大模型的私有化部署几乎都依赖Python生态的框架（如vLLM），Java生态中根本没有对应的成熟工具。

vLLM是由UC Berkeley开发的高性能大模型推理框架，专为GPU集群上的大规模模型部署优化。其核心创新在于两项关键技术：**连续批处理（Continuous Batching）**允许推理服务动态地将新请求插入正在处理的批次，大幅提升GPU吞吐量——传统的静态批处理需要等待一批请求全部完成才能处理下一批，而连续批处理使GPU利用率接近满载；PagedAttention则借鉴操作系统虚拟内存的分页管理思想，将KV Cache（键值缓存，用于加速自注意力计算的中间状态存储）以非连续的方式存储在GPU显存中，避免了显存碎片化问题，将显存利用率提升至接近理论上限，并行请求数可提升3-4倍。KV Cache的作用在于：在处理同一个对话的连续Token时，无需反复计算已处理部分的注意力键值对，只需缓存并复用，这是大模型推理加速的核心工程技巧。这类底层推理框架深度依赖Python与CUDA生态，且与NumPy、PyTorch等科学计算库高度集成，Java在这一层面几乎没有任何竞争力。

生态先发优势。 LangChain和LangGraph是最早一批出现的AI应用框架，几乎所有新推出的大模型API都会优先支持LangChain生态。Python在AI/ML领域积累了超过20年的生态优势——从NumPy、SciPy到TensorFlow、PyTorch，再到Hugging Face的Transformers库，整个AI技术栈几乎都以Python为核心语言构建。这种"生态自我强化"效应在Python的AI领域尤为明显：越多研究者用Python发布成果，就会有越多工程师学习Python来复现这些成果；越多工程师掌握Python，企业就越倾向于招聘Python开发者并采用Python技术栈，形成正向飞轮。据统计，超过90%的相关企业选择Python作为AI应用开发语言。

从LangChain到DeepAgent：Harness架构演进

当前招聘市场上，"Harness架构"这一概念频繁出现。它是一种架构思想，涵盖上下文管理、工具管理、执行状态管理、上下文压缩、提示词工程等一整套机制。

要理解这一演进脉络，需要先厘清Agent（智能体）的核心概念。Agent是指能够自主感知环境、做出决策并执行行动的AI系统。与简单的问答模型不同，Agent具备"思考-行动-观察"的循环能力，即ReAct框架（Reasoning + Acting，由Google Research于2022年提出）：模型先对当前任务进行推理（Reasoning），产生行动计划；再执行具体行动（Acting），调用外部工具（如搜索引擎、数据库、代码执行器、API）；最后观察（Observation）工具返回的结果，将其纳入下一轮推理的上下文。这一"推理-行动-观察"循环不断迭代，直到模型判断任务已完成。

ReAct框架的设计灵感来自认知科学中关于人类决策过程的研究——人类在解决复杂问题时，同样会交替进行内部推理（思考）和外部行动（实验、查询），并根据环境反馈调整策略。ReAct的核心贡献在于为这一过程提供了可被语言模型执行的结构化范式：推理过程以自然语言"思维链"（Chain of Thought）形式显式输出，行动以结构化工具调用形式执行，两者交织形成可追踪、可调试的执行轨迹。这一透明性对生产环境中的问题排查至关重要。ReAct框架使大模型从被动的回答者，进化为能够自主分解目标、调用资源、处理异常并最终完成复杂任务的执行者，是现代AI Agent的核心设计范式。

在此基础上，LangGraph（LangChain团队于2024年推出）以图结构（有向图）来编排Agent工作流：节点（Node）代表计算步骤或Agent行为，边（Edge）代表状态转移的条件逻辑，整个工作流的运行状态通过一个共享的状态对象（State）在节点间流转。相比线性链式结构，LangGraph支持循环迭代（节点可回指自身或上游节点）、条件分支（基于当前状态动态选择下一节点）和并行执行（多个子图并发运行），特别适合需要多轮自主决策的复杂场景，例如多Agent协作、任务规划与动态调整等。

这种图结构的设计借鉴了计算机科学中有向无环图（DAG）和有限状态机（FSM）的思想，并在此基础上做了关键突破：LangGraph允许图中存在环（Cycle），即支持节点回路，这使得"思考-执行-反思-再执行"的迭代模式得以自然表达，而不必像DAG那样将每轮迭代展开为独立节点。LangGraph还内置了持久化检查点（Checkpoint）机制，支持工作流的断点续行和状态回溯，这对生产环境中的可靠性至关重要。

DeepAgent正是Harness架构思想的一种实现。 它并非凭空而来，而是基于LangChain和LangGraph高度封装的产物——底层依赖的正是大模型和Agent这两个核心概念。整个技术栈的演进脉络是：大模型与Agent → LangGraph → DeepAgent，层层封装，各自承担不同的工程职责。

尽管有观点认为"LangGraph已不再需要"，但实际上LangGraph依然是整个技术栈的重要底层支撑。在复杂工作流（Workflow）场景中，其价值尤为突出，框架本身不可替代。

LangChain 1.3完整学习路径

从系统化学习的角度看，一套完整的LangChain 1.3学习路线应当覆盖以下模块：环境配置与框架特点、Model模型使用、智能体（Agent）核心机制、短期记忆与长期记忆管理、人机协同（Human in the Loop, HITL）、安全护栏（Guardrails）、上下文运行时管理等。

在此基础上，还需延伸学习以下进阶内容：

• MCP协议：Anthropic于2024年底发布的开放标准协议（Model Context Protocol），旨在统一AI模型与外部工具、数据源之间的交互方式。MCP采用客户端-服务器架构：MCP Server封装具体的工具或数据源（如文件系统、数据库、Web搜索），MCP Client（通常是AI应用）通过标准化协议发现并调用这些服务，整个过程与具体的模型实现无关。类似于USB接口统一了硬件连接标准，MCP为AI应用提供了标准化的工具调用接口，使不同厂商的模型和工具能够无缝互操作。从更宏观的视角看，MCP试图解决的是AI工具生态的"碎片化"问题：在MCP出现之前，每个AI框架（LangChain、LlamaIndex、AutoGPT等）都有各自的工具插件格式，工具开发者需要为不同框架重复适配，用户也无法跨框架复用工具。MCP通过定义一套与框架无关的JSON-RPC协议规范，使工具只需实现一次即可被所有支持MCP的客户端调用，消除了此前各框架各自为政、工具插件无法复用的碎片化问题。目前已有数百个MCP Server被开源社区贡献，正在成为AI应用层的重要基础设施标准，也是LangChain生态的重要扩展方向。

• RAG检索增强生成：结合向量数据库、嵌入模型与生成模型，解决私有知识接入与实时信息检索问题，是企业级AI应用最常见的落地范式。进阶方向包括混合检索（稠密向量检索+稀疏关键词检索）、重排序（Reranking）、多跳推理RAG等。混合检索结合了语义向量检索（善于捕捉语义相似性）和BM25等稀疏关键词检索（善于精确匹配特定术语）的优势，在工业界已被证明比单一方法有显著提升；重排序则是在初次检索召回的候选文档基础上，用专门的交叉编码器（Cross-Encoder）模型对查询-文档对进行更精细的相关性评分，进一步提升最终注入上下文的文档质量。

• LangGraph工作流：用于构建有状态、可循环的复杂Agent工作流，支撑多Agent协作与自主任务规划场景。掌握LangGraph的图定义、状态管理、条件路由和检查点持久化是进阶AI应用开发的必备技能。

仅LangChain基础部分，就可积累超过280页的详细笔记，每个知识点都对应具体的代码案例。

对于初学者，一个务实的建议是：从大模型基础概念入手，逐步理解Agent机制，再扩展到复杂应用场景。即便没有Python基础，只要跟着动手实践、理解每个模块的职责，完全可以入门这套体系。LangChain框架本身并不复杂，真正的价值在于用它将大模型能力与真实业务场景有效结合。

核心要点

核心要点