LangChain 1.0 开篇：从大语言模型到智能 Agent 的演进之路

一、本章导学

　　如果你正在阅读这篇文章，大概率已经和 ChatGPT、通义千问、DeepSeek 等 AI 产品聊过天。你可能会问：既然大模型已经这么聪明了，为什么还需要学 Agent？为什么还需要 LangChain？

　　因为"能聊天"和"能办事"之间，隔着一整条技术鸿沟。

　　一个只会聊天的 AI，就像一个只会纸上谈兵的军师——它能给你完美的计划，但没法替你执行。而 Agent（智能体）就是那个既能思考又能动手的角色：它会自己搜索资料、调用工具、修正策略，直到任务真正完成。

　　本章将带你理解这条从 LLM 到 Agent 的演进之路：

• 学习目标：理解 LLM 和 Agent 的本质区别，掌握参数、Token、温度、上下文窗口等基础概念，明白"为什么需要 LangChain"。
• 前置知识：Python 基础语法，了解基本的命令行操作。
• 最终效果：读完本章后，你能清晰地向别人解释 LLM 是什么、Agent 是什么、它们之间差了什么，以及 LangChain 在其中扮演什么角色。

LangChain 在 2025 年发布了 1.0 正式版，API 全面重构，包结构大改，很多 0.x 时代的教程已经失效。本系列基于 LangChain 1.0+ 全新 API 编写，配合 LangGraph 官方编排框架，带你从 LLM 基础概念一路走到生产级 Agent 部署。无论你是刚接触 AI Agent 的新手，还是从 0.x 迁移过来的老用户，都能找到适合自己的学习路径。

本系列共 21 篇，从零系统讲解 LangChain 1.0 和 LangGraph 的核心概念与实战技巧，覆盖基础入门、核心能力、工作流编排、RAG 系统、生产实战五大板块。

---

二、LLM 基础概念速查

　　在深入 Agent 之前，先快速过一遍大模型的几个核心概念。如果你已经熟悉这些，可以跳到第三节。这里用最精简的方式帮你建立认知框架。

2.1 参数（Parameters）

　　我们经常看到 Qwen2.5-7B、DeepSeek-R1-671B 这样的命名，后面的数字代表模型拥有的参数量（B = Billion，十亿）。参数量可以理解为模型的"脑容量"——参数越大，能力越强，但所需的计算资源也越大。

参数量	适用场景
1.5B	移动端轻量级任务（智能硬件、简单问答）
7B-8B	个人开发者测试、中小企业本地部署
14B-32B	企业级应用（文档分析、金融风控）
70B+	大规模云服务、复杂多模态任务

　　对于学习和开发阶段，7B-8B 的模型是推荐的起点。本系列全程使用 Qwen3-8B，通过硅基流动（SiliconFlow）的 API 调用。

2.2 Token

　　Token 是大模型处理文本的基本单位，也是计费和性能衡量的通用标准。一个 Token 可以是一个中文词语、一个中文字、一个英文单词、一个数字或一个标点符号。

维度	换算关系
中文	1 个汉字 ≈ 1-2 个 Token
英文	1 个英文单词 ≈ 1-2 个 Token
1000 字中文文章	约 1000-2000 个 Token

　　　　Token 的生成速度直接影响用户体验：

速度（tokens/秒）	用户体验
3-5	逐字显示，能感受到打字过程
20-30	接近流畅的句子生成
100+	大段内容喷涌而出

2.3 温度（Temperature）

　　温度是一个控制模型输出随机性的参数，取值范围通常在 0 到 2 之间。大模型在生成每个词时，会为所有可能的词计算一个概率分布，温度的作用就是调整这个分布的"锐度"。

温度范围	输出特点	典型应用场景
0 ~ 0.3	确定、一致、可重复	代码生成、事实问答、技术文档
0.5 ~ 0.8	自然、流畅、有创意	通用聊天、内容创作、头脑风暴
1.0 ~ 1.5+	高度随机、创意极强	写诗、实验性写作、艺术创作

　　以"今天的天气真____"为例：低温时模型几乎必定选"好"；中温时可能选"不错"或"晴朗"；高温时甚至可能蹦出"披萨"。

2.4 上下文窗口（Context Window）

　　上下文窗口是大模型单次对话能处理的最大 Token 数量，可以理解为模型的"短期记忆容量"。GPT-4 Turbo 的上下文窗口是 128K Token，Claude 3.5 达到了 200K，而一些最新模型已经突破 1M。

　　上下文窗口决定了两个关键能力：一是单次输入的最大长度（你能塞给它多少内容），二是对话轮次的上限（聊多少轮后它会开始"忘记"前面的内容）。

　　理解这四个概念后，我们来看一个完整的 LLM 工作流程：

flowchart LR
    A["用户输入 Prompt"] --> B["Tokenizer 分词<br/>将文本切分为 Token"]
    B --> C["模型推理<br/>基于参数计算概率分布"]
    C --> D["采样策略<br/>温度控制随机性"]
    D --> E["逐 Token 生成<br/>直到遇到停止符"]
    E --> F["输出文本"]

    style A fill:#e1f5fe
    style F fill:#e8f5e9

　　　上图展示了 LLM 从接收到用户输入到输出文本的完整过程。注意：整个过程是单向的、无状态的——模型不会记住上一次对话，不会主动查询外部信息，也不会执行任何操作。它只是在做一件事：根据输入预测下一个最可能的 Token。

　　接下来，我们看看这个"只会预测下一个词"的系统，到底有哪些做不到的事。

三、从 LLM 到 Agent 的演进

3.1 LLM 的本质与局限

　　大语言模型（Large Language Model，LLM）的核心能力是预测——给定一段输入文本（Prompt），计算下一个最可能出现的词（Token）。它本质上是一个参数化的概率模型，更像一个静态的"知识库 + 推理引擎"。

　　理解这一点很重要，因为 LLM 的所有能力和局限都源于这个本质。它能写出通顺的代码、流畅的文章、甚至模拟推理过程，但它存在三个根本性的局限：

局限一：没有行动能力。 LLM 只能生成文本，不能执行动作。它不能帮你搜索网页、读取文件、查询数据库、发送邮件。它的一切输出都停留在"文字"层面。

局限二：没有持久记忆。 每次对话都是独立的，模型不记得上一轮聊了什么（除非你把历史对话塞进 Prompt）。一旦超出上下文窗口的限制，前面的内容就会被截断遗忘。

局限三：没有实时信息。 模型的知识截止于训练数据的最后时间点。你问它"今天北京的天气"，它无法给出准确答案，因为它无法访问互联网。

　　用一个生活化的比喻：LLM 就像一位博学但被困在图书馆里的学者——他读过万卷书，能给你精彩的答案，但他出不了图书馆的门，看不到窗外的实时世界，也无法帮你寄一封信。

3.2 Agent：给 LLM 装上"手脚"

　　如果把 LLM 比作一个"超级大脑"，那么 Agent 就是给这个大脑装上了"手脚、眼睛和记忆"。Agent（智能体）是一个以 LLM 为核心推理引擎、能够自主完成复杂任务的系统。

　　用户说"帮我查一下北京明天的天气，然后订一张去北京的机票"。LLM 只能回答"我无法访问实时数据"，或者需要你分别写代码调用天气 API 和机票 API。而 Agent 会自己判断需要调用两个工具：先调天气工具获取信息，再调机票工具完成预订，全程自主决策。

　　这不是科幻，这是现在。下面这张图展示了从 LLM 到 Agent 的演进路径：

flowchart LR
    A["LLM<br/>大语言模型<br/>被动响应"] --> B["Chain<br/>链式调用<br/>固定流程"]
    B --> C["Agent<br/>自主智能体<br/>动态决策"]

    style A fill:#fff3e0
    style B fill:#e3f2fd
    style C fill:#e8f5e9

　　上图展示了三个阶段：LLM 只能被动响应；Chain 时代可以通过固定流程串联多个步骤；而 Agent 能够根据目标动态决策，自主选择工具和策略。

3.3 Agent 四大核心模块

　　一个完整的 Agent 系统由四大模块组成，缺一不可：

flowchart TD
    subgraph AGENT["Agent 四大核心模块"]
        M["🧠 记忆 Memory<br/>短期：对话历史<br/>长期：持久化存储"]
        P["🎯 规划 Planning<br/>任务拆解<br/>策略选择"]
        T["🔧 工具调用 Tools<br/>搜索、数据库<br/>API、代码执行"]
        E["⚡ 执行 Execution<br/>Think → Act → Observe<br/>循环直到完成"]
    end

    M --- P --- T --- E
    E -->|"反馈结果"| M

    style M fill:#f3e5f5
    style P fill:#e8eaf6
    style T fill:#fff8e1
    style E fill:#e8f5e9

上图展示了 Agent 的四大模块及其协作关系。每个模块的职责如下：

记忆（Memory） ：LLM 本身是无状态的，但 Agent 需要"记住"对话历史、中间结果和用户偏好。记忆分为两层——短期记忆（当前对话的上下文）和长期记忆（跨会话的持久化存储，如向量数据库）。

规划（Planning） ：面对复杂任务，Agent 需要将目标拆解为可执行的子步骤，并选择合适的执行策略。常见的规划方法包括 ReAct（Reasoning + Acting）、Plan-and-Execute 等。

工具调用（Tools） ：Agent 通过调用外部工具来突破 LLM 的能力边界。工具可以是搜索引擎、数据库查询、代码解释器、文件系统操作、第三方 API 等。LLM 的 Function Calling 能力是工具调用的基础，但 Agent 能自主判断何时调用、调用哪个工具。

执行（Execution） ：Agent 遵循 Think → Act → Observe 的闭环循环执行任务。每一步都会观察执行结果，判断是否需要调整策略，直到任务完成或明确无法继续。

下面这个对比表更直观地展示了 LLM 和 Agent 在各维度的差异：

维度	LLM	Agent
自主性	一次性交互，用户问一句答一句	Think → Act → Observe 闭环，循环执行直到任务完成
工具使用	Function Calling 需要在代码层手动触发	自主判断何时调用工具，并将结果整合进推理链
记忆机制	受限于上下文窗口，超出即遗忘	多级记忆架构：短期记忆 + 长期持久化存储
交互模式	问答式（Q&A）	任务式（给定目标，自主完成）
输出形式	纯文本	文本 + 实际操作（搜索、查询、调用 API 等）

理解了这些差异，你就明白为什么我们需要一个框架来桥接 LLM 和 Agent——因为从"被动响应"到"主动执行"，中间需要大量的基础设施。这就是 LangChain 的用武之地。

四、LangChain：Agent 开发的瑞士军刀

4.1 为什么需要 LangChain

　　假设你想构建一个"AI 研究助手"——它能搜索论文、总结内容、整理笔记、生成报告。如果不使用框架，你需要自己解决以下问题：

• 如何统一调用不同厂商的模型（OpenAI、Anthropic、通义千问……）？
• 如何管理对话历史和上下文窗口？
• 如何定义和注册工具，让模型知道有哪些工具可用？
• 如何实现 Think → Act → Observe 的循环逻辑？
• 如何处理工具调用的错误和重试？
• 如何追踪和调试 Agent 的执行过程？

　　每一个问题都需要几十到几百行代码。把这些代码抽象出来、标准化、封装成可复用的组件——这就是框架的价值。

　　LangChain 是一个 AI 应用开发框架，它的核心价值在于：提供标准化的接口来连接模型、工具、记忆、检索等组件，让你像搭积木一样组合出复杂的 AI 应用。

4.2 LangChain 核心能力

　　LangChain 1.0 已经发展为一个包含多个包的生态系统：

包名	职责	说明
langchain-core	核心抽象层	定义 Runnable 接口、消息类型、工具协议等基础组件，几乎零外部依赖
langchain	高层 Agent 框架	提供 create_agent 等开箱即用的 API
langgraph	底层编排框架	基于有状态图精确控制每一步执行逻辑
langsmith	可观测性平台	执行链路追踪和评估能力

　　一个关键的设计决策：langgraph 不依赖 langchain，它只依赖 langchain-core。这意味着你可以在不安装庞大 langchain 包的情况下，用 LangGraph 构建复杂的 AI 应用。

　　选型原则：简单场景用 LangChain 高层 API，复杂场景用 LangGraph，所有生产场景用 LangSmith 保障可观测性。

flowchart TB
    subgraph 应用层["你的应用"]
        APP["AI 研究助手 / 智能客服 / 代码助手 ..."]
    end

    subgraph 框架层["LangChain 生态"]
        LC["langchain<br/>高层 API"]
        LG["langgraph<br/>底层编排"]
        LS["langsmith<br/>可观测性"]
    end

    subgraph 核心层["基础设施"]
        CORE["langchain-core<br/>Runnable 接口 / 消息类型"]
    end

    subgraph 外部层["外部组件"]
        MODEL["大模型<br/>OpenAI / Qwen / DeepSeek"]
        TOOLS["工具<br/>搜索 / 数据库 / API"]
        MEMORY["记忆<br/>向量数据库 / 文件"]
    end

    APP --> LC
    APP --> LG
    LC --> CORE
    LG --> CORE
    LS -.->|"链路追踪"| LC
    LS -.->|"链路追踪"| LG
    CORE --> MODEL
    CORE --> TOOLS
    CORE --> MEMORY

    style APP fill:#e1f5fe
    style CORE fill:#fff3e0
    style MODEL fill:#f3e5f5
    style TOOLS fill:#f3e5f5
    style MEMORY fill:#f3e5f5

　　上图展示了 LangChain 生态的分层架构。你的应用通过 langchain 或 langgraph 与核心层交互，核心层再统一对接各种外部组件（模型、工具、记忆）。这种分层设计让你可以自由替换底层组件，而不影响上层业务逻辑。

4.3 环境准备与 API Key 配置

　　理论讲完了，让我们动手搭建开发环境。本系列使用 Python 3.10+，通过硅基流动（SiliconFlow）的 API 调用 Qwen3-8B 模型。

注册硅基流动

　注册登录硅基流动官网（cloud.siliconflow.cn），申请 API Key

　　然后在模型广场选择你需要的模型，比如 Qwen/Qwen3-8B

安装依赖

# 创建虚拟环境（推荐）
python -m venv venv

# 激活虚拟环境
# Windows:
venv\Scripts\activate
# macOS / Linux:
source venv/bin/activate

# 安装核心包
pip install langchain langchain-core langgraph langchain-openai

# 安装环境变量管理工具
pip install python-dotenv

配置 API Key

　　　API Key 是调用大模型服务的凭证，绝不能硬编码在代码里。正确的做法是使用 .env 文件管理：

　　在项目根目录创建 .env 文件：

# .env 文件 — 请勿提交到 Git 仓库！
SILICONFLOW_API_KEY=sk-your-api-key-here

　　在 Python 中加载环境变量：

from dotenv import load_dotenv
import os

load_dotenv()  # 加载 .env 文件中的环境变量

api_key = os.getenv("SILICONFLOW_API_KEY")
print(f"API Key 已加载: {api_key[:8]}...")  # 只显示前 8 位，确认加载成功

　　运行结果：

API Key 已加载: sk-xxxxxx...

配置 .gitignore

　　为了防止 API Key 泄露，务必在 .gitignore 中添加：

# .gitignore
.env
venv/
__pycache__/

验证环境

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()

model = init_chat_model(
    "Qwen/Qwen3-8B",
    model_provider="openai",
    base_url="https://api.siliconflow.cn/v1",
    temperature=0.7,
)

response = model.invoke("你好，请用一句话介绍你自己。")
print(response.content)

　　运行结果：

你好！我是通义千问，阿里云自主研发的大语言模型，能够理解和生成多种语言的内容，致力于为你提供有帮助的回答。

　　如果你看到类似的输出，恭喜——你的开发环境已经就绪，大模型已经能正常响应了。从下一章开始，我们将基于这个环境构建真正的 Agent 应用。

---

五、本章小结

　　回顾一下本章的核心知识点：

1. LLM 本质上是一个参数化的概率模型，核心能力是"预测下一个最可能的 Token"。
2. 参数量决定模型的"脑容量"，7B-8B 是学习和开发阶段的推荐起点。
3. Token 是模型处理文本的基本单位，也是计费标准，1000 字中文约消耗 1000-2000 个 Token。
4. 温度控制输出的随机性，低温适合精确任务，中温适合通用场景，高温适合创意写作。
5. 上下文窗口是模型的"短期记忆容量"，决定了单次对话能处理的最大信息量。
6. LLM 有三个根本局限：没有行动能力、没有持久记忆、没有实时信息。
7. Agent = LLM + 记忆 + 规划 + 工具调用 + 执行，形成 Think → Act → Observe 的闭环。
8. LangChain 是 Agent 开发框架，提供标准化接口连接模型、工具、记忆等组件，让你专注业务逻辑。

　　下章预告：下一篇我们将正式搭建开发环境，配置 LangChain + LangGraph，编写并运行你的第一个 Agent 程序——一个能够自主调用工具、完成多步推理的智能体。

---

六、扩展阅读

• LangChain 官方文档 — 框架的完整 API 参考和教程
• LangGraph 官方文档 — Agent 编排框架的详细指南
• LangSmith 平台 — Agent 执行链路追踪与评估工具
• 硅基流动（SiliconFlow） — 本系列使用的模型 API 服务商
• ReAct 论文：Reasoning and Acting — Agent 规划策略的经典论文
• What is an AI Agent? — LangChain 发布的 Agent 行业报告