LangChain学习笔记（一）：基础入门与核心概念详解-尧图网络科技

LangChain 是目前构建大语言模型（LLM）应用的重要开发框架之一。本文从零开始介绍 LangChain 的诞生背景、解决的问题、核心组件以及学习路线，帮助初学者建立完整认知。

官方文档目前将 LangChain 定位为一个用于构建 LLM 应用和 Agent 的开源框架，提供模型集成、工具调用以及预构建 Agent 架构等能力。(Docs by LangChain)

一、为什么需要 LangChain？

1.1 大语言模型应用的发展

随着 ChatGPT、Claude、Gemini 等大语言模型的发展，越来越多开发者开始尝试将 LLM 集成到实际业务中。

最简单的方式：

用户输入 | ↓ 调用大模型API | ↓ 返回答案

例如：

response = openai.chat.completions.create( model="gpt-4", messages=[ { "role":"user", "content":"什么是人工智能？" } ] )

这种方式可以完成简单问答。

但是，当我们真正开发一个 AI 应用时，会遇到更多复杂需求。

例如：

企业知识库问答
AI 客服机器人
自动生成报告
数据分析助手
AI Agent 自动执行任务

一个企业知识库机器人可能需要：

用户问题 ↓ 查询企业文档 ↓ 找到相关知识 ↓ 将知识发送给LLM ↓ 生成最终答案

如果全部自己开发，需要处理：

Prompt 管理
上下文维护
数据检索
模型调用
工具连接
多步骤流程控制

这就是 LangChain 出现的原因。

二、什么是 LangChain？

简单理解：

LangChain 是一个帮助开发者快速构建大模型应用的开发框架。

如果把传统软件开发进行类比：

Java Web开发 | ↓ Spring Boot 大模型应用开发 | ↓ LangChain

LangChain 并不是一个新的大语言模型。

它不会替代：

GPT
Claude
Gemini
Llama

它的作用是：

连接模型、数据、工具和业务流程。

官方介绍中，LangChain 提供了模型和工具的集成能力，并提供构建 Agent 的基础架构。(LangChain 参考文档)

三、LangChain解决了什么问题？

3.1 统一调用不同模型

现在的大模型非常多：

例如：

模型	提供商
GPT系列	OpenAI
Claude	Anthropic
Gemini	Google
Llama	Meta

如果直接调用，每个模型接口不同。

LangChain 提供统一接口：

应用程序 ↓ LangChain ↓ 不同LLM模型

开发者可以更容易切换模型。

3.2 管理Prompt提示词

大模型效果很大程度依赖 Prompt。

例如：

普通输入：

写一篇介绍Python的文章

优化后：

你是一名Python技术专家。 请使用初学者能够理解的方式， 介绍Python的发展历史、特点以及应用场景。

实际项目中 Prompt 数量可能非常多。

如果全部写死：

message = """ 你是一名专家... """

后期维护困难。

LangChain 提供 Prompt Template：

例如：

你是一名{role} 请介绍{topic}

输入：

role = Python专家 topic = Python装饰器

生成：

你是一名Python专家 请介绍Python装饰器

四、LangChain整体架构

学习 LangChain，需要理解几个核心模块。

整体结构如下：

用户输入 | ↓ Prompt Template | ↓ Model | ↓ Chain | ↓ Agent | ↓ Tools

主要组成：

组件	作用
Model	调用大语言模型
Prompt	管理提示词
Chain	组合多个处理步骤
Retriever	查询外部知识
Agent	自动规划任务
Tool	调用外部工具

(Docs by LangChain)

五、LangChain核心组件介绍

5.1 Model（模型）

Model 是 LangChain 最基础的组件。

作用：

调用大语言模型。

流程：

用户输入 ↓ Model ↓ 模型回答

例如：

用户：

解释一下什么是机器学习

模型返回：

机器学习是一种让计算机从数据中学习规律的方法。

LangChain 对不同模型进行了统一封装。

5.2 Prompt Template（提示词模板）

Prompt Template 用于管理动态提示词。

例如：

模板：

请介绍一下{technology}

输入：

{ "technology":"LangChain" }

生成：

请介绍一下LangChain

优势：

提高代码复用
方便维护
方便调整提示词策略

5.3 Chain（链）

Chain 是 LangChain 名字中的核心概念。

简单理解：

将多个步骤连接起来。

例如：

一个文章生成流程：

用户输入主题 ↓ 生成大纲 ↓ 生成正文 ↓ 优化内容 ↓ 输出文章

这就是一个 Chain。

类似：

步骤A ↓ 步骤B ↓ 步骤C

每一步输出作为下一步输入。

5.4 Agent（智能代理）

Agent 是当前大模型应用的重要方向。

传统 Chain：

固定流程 A → B → C

Agent：

用户任务 ↓ 模型分析 ↓ 决定下一步行动 ↓ 调用工具 ↓ 返回结果

例如：

用户：

帮我查询今天北京天气，并整理成邮件

Agent可能：

第一步：

需要天气数据

调用天气工具。

第二步：

需要生成邮件

调用文本生成能力。

Agent 的核心思想：

让模型决定下一步做什么。

5.5 Tool（工具）

大模型本身存在限制：

例如：

不知道实时天气
不知道数据库数据
无法直接访问业务系统

Tool 可以扩展模型能力。

例如：

LLM + 搜索工具 + 数据库 + 代码执行工具

形成更强大的 AI 应用。

六、为什么现在需要学习 LangChain？

目前 AI 应用开发已经从：

第一阶段：

调用GPT接口

发展到：

第二阶段：

Prompt工程

再到：

第三阶段：

RAG知识库

第四阶段：

Agent智能应用

LangChain 正好覆盖这些开发流程。

七、LangChain学习路线

推荐学习路线：

第一阶段 了解LLM基础 ↓ 第二阶段 学习LangChain核心组件 (Model、Prompt、Chain) ↓ 第三阶段 学习RAG知识库 ↓ 第四阶段 学习Agent开发 ↓ 第五阶段 项目实战

后续系列文章计划：

LangChain学习笔记（二） 环境搭建与第一个LangChain程序 LangChain学习笔记（三） Prompt Template详解 LangChain学习笔记（四） LCEL与Chain链式调用 LangChain学习笔记（五） RAG知识库问答系统 LangChain学习笔记（六） Agent智能代理开发