LangChain入门：一节课搞懂模型接入与工具调用

为什么需要LangChain？

很多开发者刚开始学大模型时，会直接调用模型API，但很快会遇到瓶颈。据B站UP主的分析，原生大模型存在三个天然短板：知识受限于训练时间、无法直接访问外部系统、不具备多轮对话记忆。

以DeepSeek^广告为例，关闭智能搜索后询问未来天气，模型会明确回复无法预测。这说明模型本身的知识截止于训练日期，超出范围的信息无法获取。

同样，模型无法直接操作天气APP或调用外部接口，也无法自动记住上下文——聊天窗口中的多轮对话能力是应用层实现的，并非模型原生。

LangChain的核心定位

LangChain是一个用于开发大语言模型驱动应用的开源框架。UP主用了一个形象的比喻：就像Spring封装了Servlet的繁琐操作，LangChain也封装了AI应用开发中的通用逻辑，比如模型调用、工具集成、上下文管理。

它的名字由“Language”和“Chain”组成，核心思想是将大模型与外部资源串成一条链路。例如一个典型流程：读取本地文档→交给模型理解→模型判断是否调用工具→工具返回结果→整理回答。其中模型负责理解与决策，Chain负责串联各环节。

使用场景：Agent与RAG

UP主重点提到了两类项目：Agent和RAG。Agent强调模型自主决策和工具调用，RAG则结合检索与生成，解决模型知识时效性和私有数据问题。这两类场景都依赖LangChain的组件化能力。

Agent（智能体） 是指以大模型为决策核心、能够自主规划步骤并调用外部工具来完成任务的程序形态。与传统的“一次输入、一次输出”调用方式不同，Agent 通常运行在一个循环中：模型观察当前状态，决定下一步动作（例如调用搜索、查数据库、执行代码），获得工具返回结果后再次推理，直至任务完成。LangChain 提供的 Agent 抽象把“思考—行动—观察”的循环、工具描述与调用格式、中间步骤记录等通用逻辑封装起来，开发者只需注册工具并给出目标即可。

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种把外部知识库检索与大模型生成结合的技术路线。其典型流程是：先把文档切分并向量化存入向量数据库，用户提问时将问题同样向量化并检索出最相关的若干片段，再把这些片段作为上下文拼入提示词交给模型作答。RAG 能缓解模型知识截止于训练日期、以及无法访问企业私有数据的问题，并且相比微调成本更低、知识更新更及时，因此成为企业知识问答类应用的主流方案。

关键操作：消息传递与模型调用

LangChain提供了标准化的消息传递机制和模型调用接口。开发者可以通过预设的组件快速实现结构化输出和工具调用，无需从零编写复杂逻辑。UP主在教程中演示了这些操作的代码实现，并建议结合官方文档学习。

LangChain 中的消息（Message） 是对话交互的基本单位，常见类型包括：SystemMessage（设定模型角色与行为约束）、HumanMessage（用户输入）、AIMessage（模型回复，可能携带工具调用请求）以及 ToolMessage（工具执行结果回传给模型）。不同厂商的模型 API 字段格式各异，LangChain 用统一的消息对象做了适配层，使同一套代码可以在 OpenAI、DeepSeek 等不同模型间切换。

结构化输出指让模型按预先约定的 schema（如 JSON 或 Pydantic 模型）返回结果，便于程序直接解析和使用，而不是从自然语言中做脆弱的字符串抽取。工具调用（Tool Calling / Function Calling） 则是模型根据工具的名称与参数描述，输出结构化的调用意图，由框架负责实际执行并把结果回填给模型。这两项能力是构建 Agent 的基础，也是 LangChain 封装价值最集中的地方。

学习建议

UP主强调，LangChain目前是最扎实的框架之一。许多上层生态（如DeepSeek、OpenAI的封装）虽然更快，但定制化能力有限，复杂业务仍需回到LangChain。建议先掌握LangChain，再接触其他生态，理解会更轻松。官方文档有中英文版本，对照阅读能获取最新功能更新。

整体来看，这节课从模型局限切入，逐步展开LangChain的定位、核心模块和基础操作，适合作为大模型应用开发的入门起点。