说明本套资源源于B站尚硅谷教程视频链接https://www.bilibili.com/video/BV1rv7A6oEeP?spm_id_from333.788.videopod.episodesvd_sourcebba5be243325ecee1f55ec265557fedd目录一、为什么需要LangChain1.1 背景-单一大模型的局限性1.2 LangChain框架的定位1.3 LangChain应用场景二、LangChain是什么2.1 LangChain发展时间线2.2 LangChain V1.2的主要模块三、LangChain家族四大支柱3.1 LangChain智能体开发的基石3.2 LangGraph复杂工作流的编排引擎3.3 Deep Agent智能体的执行框架3.4 LangSmith可视化监控与测试平台四、开发前的准备工作4.1 前置知识4.2 环境安装4.2.1 代码管理方案4.2.2 安装虚拟环境与Python解释器4.2.3 下载langchian安装包4.2.4 PyCharm开发环境一、为什么需要LangChain1.1 背景-单一大模型的局限性1、知识受限于训练数据无法获取训练时间之后的信息。2、无法直接与外部系统交互例如查询实时数据、调用外部API或者读取数据库。3、不具备状态保持能力难以进行连贯的多轮对话遗忘之前的上下文。因此要构建真正实用的AI应用必须将大模型与外部工具、数据源和记忆机制有机结合从而催生了LangChain框架的设计理念。LangChain是当前构建盛产级AI智能体系统的首选。1.2 LangChain框架的定位LangChain作为大模型与应用间的中间层可统一调用各类大模型、管理提示词与上下文还能集成外部工具和数据源快速搭建具备推理、行动能力的智能体。其核心定位有以下三点1、打通大模型与外部资源统一接口对接数据库、检索引擎、API、文件系统等2、封装底层复杂逻辑抽象工具调用、记忆等能力降低智能体开发难度3、支撑多智能体间的协作依托LangGraph等生态从单智能体拓展至多智能体协作可构建工业级智能体。1.3 LangChain应用场景1、检索增强生成RAG- 痛点解决大模型知识滞后无实时数据和幻觉问题- 功能检索外部知识库文档/数据库并向量化保存让大模型基于最新、最相关的资料回答。2、Agent 智能体构建- 痛点解决大模型无法直接执行复杂任务的问题。- 功能将模型作为“推理引擎”自主规划路径并动态调用外部工具如外部API、数据库等实现复杂任务。3、对话系统与聊天机器人- 痛点解决多轮对话中的“记忆”流失问题。- 功能集成记忆管理系统记住用户偏好和历史交互并结合私有数据如垂直领域相关资源提高专业服务。4、多模态应用应用开发- 痛点跨越单一文本交互的限制。- 功能融合图像识别、语音转文字等技术让模型具备处理音频和图片的综合推理能力。5、自动化写作与格式化生成- 痛点解决生成内容格式不标准、质量不稳定的问题。- 功能配合提示词模板Templates与输出解析器Parsers自动产出规范的报告、合同或邮件。6、数据连接与结构化处理- 痛点解决非结构化数据难以被大模型直接利用的问题。- 功能强大的数据连接能力是大模型能够与各种数据源和结构化数据进行交互。比如从PDF、Excel、word中提取关键信息或实现自然语言与SQL的自动转换。总结通过学习LangChain框架可以高效开发大模型应用。二、LangChain是什么2.1 LangChain发展时间线1、诞生2022年10月名称来源于“Language”语言模型和“Chain”链式连接的组合。体现了其核心设计理念——链接大语言模型与其他各种计算资源和数据构建强大的AI应用。2、探索期2022年Q4—2023年Q1LangChain初版发布主要聚焦于PromptTemplate、LLMChain等基础模块。3、体系化阶段2023年Q2—2023年Q4引入Tool、Agent、Retrieval等概念形成大模型工具调用记忆的核心架构支持构建完成更复杂任务的自动化智能体。同期推出LangChain Hub 与 LangSmith初步构建了从开发、调试到部署的生态闭环。4、平台化阶段2024—2025上半年LangGraph与LangServe的发布是这一阶段的标志。LangGraph为工作流管理提供了有向图基础而LangServe则解决了服务化部署的难题。至此LangChain生态完成了从开发框架到智能体平台的过渡。5、深层智能体阶段2025下半年—至今正式推出Deep Agent官方定位为Agent Harness智能体执行框架在LangGraph和LangChian之上运行标志着LangChain生态进入了新阶段让开发者可构建基于多智能体的复杂化智能体系统。其中关于LangChain版本选择本次学习使用1.2版本。2.2 LangChain V1.2的主要模块langchain-core官方推荐的核心API。比如Runnable、BaseMessage等。langchain-classic冗余代码移除或不推荐使用的经典API。比如0.x中常用而1.x移除的API都在这里。langchain-community第三方集成比如合作伙伴包langchain-openai、langchain-anthropic等按需安装避免臃肿。langgraph深度这个LangGraph 1.0协调多个Chain、Agent、Tools完成更复杂的任务并且还支持循环调用是langchain图形化的增强版。相关API如果英文不好可在浏览器安装翻译插件官网 https://www.langchain.com/Github地址 https://github.com/langchain-ai中文文档地址 https://docs.langchain.org.cn/oss/python/langchain/overview英文文档地址 https://docs.langchain.com/oss/python/langchain/overviewAPI文档查询地址 https://reference.langchain.com/python/langchain三、LangChain家族四大支柱截止到2025年11月LangChain已从一个独立的开发框架成长为一个覆盖智能体系统全生命周期的技术生态。该生态由四大核心支柱构成LangChain、LangGraph、Deep Agent、LangSmith。它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层共同构建了一个从技术验证到生产部署、从单体之鞥呢到复杂协作的项目闭环。官方文档解释https://docs.langchain.com/oss/python/concepts/products3.1 LangChain智能体开发的基石LangChain是整个生态的核心与起点为开发者提供了模型调用、工具、中间件集成、智能体构建等一整套基础能力。其核心价值如下统一的模型抽象层屏蔽了不同模型服务提供商如Open AI、Anthropic、Ollama等的接口差异提供一直的调用方式。高度模块化的设计使用Message、Tool、Agent、Middleware等组件实现灵活的组合与扩展。丰富的集成生态预置了丰富的数据源、API、中间件等构成了强大的AI能力枢纽。结论如果构建简单的智能体应用无需复杂的编排需求选择LangChain。3.2 LangGraph复杂工作流的编排引擎当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时LangGraph应运而生。其核心思想是将智能体内部抽象为一张有向图。节点Node代表独立的功能单元或决策点。边Edge定义了节点之间的流转条件与路径。状态State作为一个共享上下文在节点间传递并持久化存储任务信息。通过这种图式结构LangGraph让智能体的工作流节点交互变更显式、可控、可观测。官方也强调快速起步用LangChain复杂控制用LangGraph二者并行协同。通俗理解LangChain 能力抽象层LLM/Tool/Message标准化负责有什么能力。LangGraph 执行与编排层状态机/工作流/多Agent系统负责怎么执行。3.3 Deep Agent智能体的执行框架Deep Agent是新推出的全新组件被定为为Agent Harness(智能体执行框架)。它构建于LangChain与LangGraph之上增加了规划能力、文件系统、子Agent等高级功能。旨在让开发者无须从零构建复杂的控制逻辑即可创建具备深度规划、长期记忆与多专家协作能力的智能体。Deep Agent的核心能力如下显示规划自主生成、执行并动态调整多步任务计划。虚拟文件系统为智能体提供结构化的中间结果与知识储备。子智能体支持任务在多个智能体之间的分解与协作长期记忆通过与LangGraph状态存储的结合实现跨对话的经验积累。可扩展中间件允许嵌入安全审计、性能监控或自定义业务逻辑。三个框架不是竞争关系并非互斥复杂项目完全可以同时用到。基于大模型的应用开发体系图从LangChain快速搭建用LangGraph打磨生产稳定性再用Deep Agents赋予Agent更强的自主能力—这才是完成的LangChain的生态圈。3.4 LangSmith可视化监控与测试平台当智能体系统逐渐复杂时单靠日志与打印输出调试已无法满足调试与质量管理的需求。LangSmith是LangChain官方推出的可视化监控与测试平台用于跟踪、记录和分析智能体在运行过程中的完整调用链路让智能体的内部运行过程变得透明和可评估。LangSmith的核心目标如下全链路追踪可视化追踪模型调用、提示词输入、结果输出、工具使用等行为。调试与优化发现运行中智能体的异常行为与性能瓶颈。评测与质量控制支持人工与自动化评测量化智能体表现。团队协作支持多个共享测试集与调用记录。LangSmith官网LangSmith: Agent LLM Observability PlatformLangSmith的引入使得智能体的开发、调试与运行形成了完整的质量闭环。四、开发前的准备工作4.1 前置知识Python基础语法、了解大模型常用概念如Token、Prompt、Embedding、上下文协议等。4.2 环境安装4.2.1 代码管理方案相较于全局环境系统环境各个虚拟环境都有自己独立的一套Python解释器、pip命令、第三方依赖包、不和其他项目产生干扰。常用的虚拟环境三套方案1、使用conda适合Python 非Python依赖的复杂环境——本次选择2、使用uv适合纯Python项目的现代包管理。3、使用venvPython自带的轻量级虚拟环境工具。4.2.2 安装虚拟环境与Python解释器LangChain基于Python开发因此需确保系统中安装了Python解释器在创建虚拟环境过程中安装Python解释器。LangChain 1.2版本需要Python版本为3.10本次使用Python 3.13.12版本。1、安装miniconda请自行百度注意配置envs和pkgs路径否则默认安装到C盘。2、创建conda环境#创建一个名为langchain1.2的环境指定Python版本是3.13.12conda create --name 自输入的环境名 python3.13.12#查看anconda安装好的python环境conda env list#初始化虚拟环境 (执行完此指令重新启动命令行窗口)conda init#在命令行窗口切换到某python环境conda activate langchain1.2#验证python版本 (langchain1.2) C:\Users\shkstartpython --version4.2.3 下载langchian安装包1、使用conda指令# 安装指定版本。比如1.2.2conda install langchain1.2.12# 或者安装最新版默认仓库--本次不建议conda install langchain# 指定频道如 conda-forge如果上个命令安装失败conda install -c conda-forge langchain1.2.12# 更新包conda update langchain# 卸载包conda uninstall langchain# 查看已安装包conda list4.2.4 PyCharm开发环境最好使用2025.3.3 版本否则可能会出现于conda不兼容的情况。配置如下测试代码
--8.3 括号先拆，迷雾自散)
