1.1 LangChain介绍
github地址：github.com/langchain-a…
官网地址：www.langchain.com/langchain
官方文档：docs.langchain.com/oss/python/…
API 文档：reference.langchain.com/python/lang…
LangChain是2022年10月，由哈佛大学的Harrison Chase（哈里森·蔡斯）发起研发的一个开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。
比如，搭建 Agent、问答系统（QA）、对话机器人、文档搜索系统等。
LangChain的发布比ChatGPT问世还要早一个月，从这个启动日期也可以看出创始人的眼光，占了先机的它迅速获得广泛关注和支持！
LangChain在Github上的热度变化：
简单概括：
LangChain ≠ LLMs。LangChain 之于 LLMs，类似 Spring 之于 Java，Django 之于 Python。
顾名思义，LangChain中的“Lang”是指language，即大语言模型，“Chain”即“链”，也就是将大模型与外部数据&各种组件连接成链，以此构建AI应用程序。 1.1.1 有哪些大模型应用开发框架
| 框架 | 描述 |
|---|---|
| LangChain（Python ） | 出现最早、最成熟的，适合复杂任务分解和单Agent应用 |
| LlamaIndex（Python ） | 专注于高效的索引和检索，适合 RAG 场景 |
| LangChain4J（Java ） | LangChain出了Java、JavaScript（LangChain.js）两个语言的版本，LangChain4j的功能略少于LangChain，但是主要的核心功能都是有的 |
| SpringAI / SpringAI Alibaba（Java ） | 有待进一步成熟，只是简单的对于一些接口进行了封装 |
| SemanticKernel（C# ） | 微软推出的，对于C#同学来说，那就是5颗星 |
1）问题1：LLMs用的好好的，为什么还需要LangChain？
在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能“使用”这些模型，还希望能将它们灵活集成到自己的应用中，实现更强大的对话能力、检索增强生成（RAG）、工具调用（Tool Calling）、多轮推理等功能。
2）问题2：我们可以使用GPT 或GLM4 等模型的API进行开发，为何需要LangChain这样的框架？
不使用LangChain，确实可以使用GPT 或GLM4 等模型的API进行开发。比如，搭建Agent、问答系统（QA）、对话机器人、文档搜索系统等复杂的 LLM 应用。
但使用LangChain的好处：
简化开发难度：更简单、更高效、效果更好。
开发人员可以更专注于业务逻辑，而无须花费大量时间和精力处理底层技术细节。
学习成本更低：不同模型的API不同，调用方式也有区别，切换模型时学习成本高。使用LangChain，可以以统一、规范的方式进行调用，有更好的移植性。
现成的链式组装：LangChain提供了一些现成的链式组装，用于完成特定的高级任务。让复杂的逻辑变得结构化、易组合、易扩展。
3）问题3：LangChain提供了哪些功能？
LangChain 是一个帮助你构建 LLM 应用的全套工具集。这里涉及到prompt 构建、LLM 接入、记忆管理、工具调用、RAG、Agent开发等模块。
学习 LangChain 最好的方式就是做项目。
1.1.3 LangChain 使用场景
| 项目场景 | 技术点 |
|---|---|
| 文档问答助手 | Prompt + Embedding + RetrievalQA |
| 智能日程规划助手 | Agent + Tool + Memory |
| LLM+ 数据库问答 | SQLDatabaseToolkit + Agent |
| 多模型路由对话系统 | RouterChain + 多 LLM |
| 互联网智能客服 | ConversationChain + RAG +Agent |
| 企业知识库助手（RAG + 本地模型） | VectorDB + LLM + Streamlit |
1.1.1 LangChain 生态位置
项目类型1：文档问答助手
案例：企业使用 LangChain 加载内部文档（如员工手册、产品说明），结合向量存储实现语义搜索，回答员工或客户的问题。
示例：新员工入职培训中，销售岗位有哪些注意事项呢？检索相关手册并生成自然语言回答。
场景：基于私有或外部数据构建问答系统。
项目类型2：智能助理开发
案例：LangChain 的 Agent 模块（如 ReAct Agent）结合工具，完成任务。
示例1：用户请求调用天气 API、计算器和日历，规划户外旅游活动。
示例2：结合使用Google Search、Firecrawl网页爬取工具，实现“分析某股票趋势并生成报告”的任务。
场景：构建自主决策的Agent，执行复杂任务。
项目类型3：对话聊天机器人
案例：电商平台使用 LangChain 的 ConversationChain，结合 ConversationBufferMemory，记录用户历史对话，提供个性化客服。
示例：用户问“推荐一款跑鞋”，机器人根据之前提到的偏好（如“喜欢轻量鞋”）推荐合适产品。
场景：开发上下文感知的聊天机器人，支持多轮对话。
项目类型4：数据分析与洞察生成
案例：金融分析师使用 LangChain 加载 CSV 数据，结合 LLM 分析销售趋势，生成自然语言报告。
示例：从销售数据中提取“哪些产品在特定地区销量最高”并生成可视化描述。
场景：处理结构化或非结构化数据，生成报告或洞察。
项目类型5：多模态应用
案例：平台使用 LangChain 结合 CLIP 模型，分析产品图片、视频等，生成高质量回复。
示例1：教育平台分析教学视频和讲义，生成互动式学习内容。
示例2：零售平台结合产品图片和描述，回答“哪些产品适合户外使用？”。
场景：结合文本、图像、语音等多模态数据。
项目类型6：教育与学习助手
案例：在线教育平台使用 LangChain 构建数学助手，结合 Wolfram Alpha 工具解答复杂公式。
示例：学生提问“积分的定义”，LangChain 检索教材并生成逐步讲解。
场景：开发个性化教育工具，支持学习和练习。
项目类型7：自动化工作流
案例：营销团队使用 LangChain 整合市场数据，自动生成社交媒体帖子。
示例：从 CRM 数据生成客户跟进邮件，结合日历安排发送时间。
场景：自动化复杂业务流程，如报告生成、任务调度。
项目类型8：研究与创新
案例：研究者使用 LangChain 分析文献，结合知识图谱提取跨领域的概念关系。
示例：从气候变化文献中提取关键趋势，生成研究报告。
场景：支持学术或行业研究，挖掘数据关联。
1.1.2 LangChain 架构
1）总体架构
LangChain 帮助快速开始构建 Agent ，支持选择的任何模型提供商。
LangGraph 允许通过低级编排、记忆和人工参与支持来控制自定义 Agent 的每一步。可以管理具有持久执行能力的长时间运行任务。
LangSmith 是一个帮助 AI 团队使用实时生产数据进行持续测试和改进的平台。提供观测、评估与部署功能。
Deep Agents 用于构建能够规划、使用子 Agent 并利用文件系统处理复杂任务的 Agent，受 Claude Code、Deep Research 和 Manus 等应用的启发。
2）LangChain 架构
| 包 | 描述 |
|---|---|
| langchain | 包含构建使用 LLM 的应用所需的所有实现的主入口点 |
| langchain-core | LangChain 生态系统中的核心接口和抽象 |
| langchain-text-splitters | 用于文档处理的文本分割工具 |
| langchain-mcp-adapters | 在 LangChain 和 LangGraph 应用中提供 MCP 工具 |
| langchain-tests | 用于验证 LangChain 集成包实现的标准化测试套件 |
| langchain-classic | 遗留的 angchain 实现和组件 |
后面讲继续介绍langchain的开发场景以及开发场景介绍
