LangChain 是用于开发由语言模型驱动的应用程序的框架，用于开发由大语言模型驱动的应用程序，特别是AI 智能体系统。

的框架架构

LangChain 提供了一系列工具和接口，帮助开发者更高效地构建与大型语言模型交互的应用。 LangChain 生态可概括为“三层主结构 + 一个辅助平台”，包括架构层 （Architecture ） 、组件层（Components ） 、部署层（Deployment ） 、辅助平台。

1. 架构层

（1 ） LangChain Core ：提供 Chain 、 Prompt 、 Memory 、 Tool 等基础抽象，用于快速拼装 LLM 应用。

（2 ）LangGraph ：基于“图”的状态机引擎，支持循环、分支、子流程等复杂编排。

2. 组件层

（1 ）Integrations ：官方与社区维护的大量模型、工具、向量库插件，如OpenAI 、Anthropic 、Pinecone 、Google Search 等。

（2 ）langchain-community ：第三方扩展包集市。

3. 部署层

LangGraph Platform （商业）：托管 LangGraph 工作流，提供 UI 、运行管理、 API 网关等企业级能力。

4. 辅助平台

LangSmith ：覆盖开发、测试、部署、监控全生命周期的LLMOps 平台，可视化追踪每一步Chain 与Agent 执行。

的基本模块

1. 模型抽象层

（1 ）LLM & Chat Model ：支持与OpenAI 、Hugging Face 、Azure 等多种LLM 提供商集成，提供统一接口。

（2 ）Embedding ：支持文本向量化模型，用于语义搜索和相似度计算。

模型接口示例：

from langchain.llms import OpenAI, HuggingFaceHub

# OpenAI 接口

openai _ llm = OpenAI(

    model _ name="text-davinci-003",

    temperature=0.7,

    max _ tokens=256

)

# HuggingFace 接口

hf _ llm = HuggingFaceHub(

    repo _ id="google/flan-t5-large",

    model _ kwargs={"temperature":0.6}

)

2. 数据连接层

（1 ）Document Loaders ：从各种来源（PDF 、网页、数据库等）加载和解析文档。

（2 ）Text Splitters ：将长文本分割成适合模型处理的小块。

（3 ）Vector Stores ：向量数据库（如Chroma 、Pinecone ），用于存储和检索嵌入向量。

（4 ）Indexes ：索引结构，优化文档检索效率。

处理外部知识源示例：

from langchain.document _ loaders import WebBaseLoader

from langchain.indexes import VectorstoreIndexCreator

loader = WebBaseLoader("https://example.com/article")

index = VectorstoreIndexCreator().from _ loaders([loader])

query = " 这篇文章的主要内容是什么？ "

answer = index.query(query)

3. 调用链

（1 ）基础链：将多个组件（如模型、提示模板、文档检索器）组合成工作流。

（2 ）检索增强生成（RAG ）：结合外部知识源（如文档）和LLM 生成答案。

（3 ）LLMChain ：最基本的链类型，将提示模板和LLM 结合。

调用链示例：

from langchain.chains import LLMChain, SimpleSequentialChain

# 创建单个 LLM 链

qa _ chain = LLMChain(llm=openai _ llm, prompt=prompt)

# 创建顺序链

overall _ chain = SimpleSequentialChain(

    chains=[qa _ chain, summary _ chain],

    verbose=True

)

result = overall _ chain.run(" 输入问题 ")

4. 代理系统

（1 ）工具（Tool ）：预定义的功能（如搜索引擎、计算器、API 调用）。

（2 ）代理执行器：根据用户输入动态决定使用哪些工具和链，实现复杂决策逻辑。

代理系统示例：

from langchain.agents import load _ tools, initialize _ agent

tools = load _ tools(["serpapi", "llm-math"], llm=openai _ llm)

agent = initialize _ agent(

    tools,

    openai _ llm,

    agent="zero-shot-react-description",

    verbose=True

)

agent.run("2023 年北京的平均气温是多少？比上海高多少度？ ")

5. 记忆系统

支持会话历史存储，使应用能够保持对话上下文，实现有状态的交互。记忆管理示例：

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

memory.chat _ memory.add _ user _ message(" 你好！ ")

memory.chat _ memory.add _ ai _ message(" 你好！有什么可以帮你的？ ")

# 获取历史对话

history = memory.load _ memory _ variables({})

6. 回调系统

监控和记录链或代理的执行过程，支持自定义日志、追踪和调试。回调系统示例：

from langchain.callbacks import FileCallbackHandler

handler = FileCallbackHandler('log.json')

chain.run(input _ text, callbacks=[handler])

8.1.3  LangChain 的 基本应用场景

8.1.3  LangChain 基本应用场景

LangChain 是一个用于构建基于大型语言模型应用的框架，它通过模块化设计简化了与大语言模型交互的流程。以下是LangChain 的基本应用场景。

1. 智能问答系统（QA ）

基于特定知识库回答用户问题，避免LLM 幻觉（生成错误信息），适用于企业文档、知识库查询等场景。

1 ）实现方式

通过“文档加载→文本分割→嵌入向量→存储到向量数据库”流程，将知识转换为可检索的向量。用户提问时，先从数据库中匹配相关文档片段，再让LLM 基于这些片段生成答案。

2 ）示例

（1 ）企业内部：员工查询公司规章制度、产品手册（如通过LangChain 连接Confluence 文档）。

（2 ）客服领域：自动回复用户关于产品功能、售后政策的问题（如结合客服历史对话库）。

2. 聊天机器人

构建具备上下文理解、多轮对话能力的聊天机器人（Chatbots ），支持个性化交互。

1 ）核心能力

（1 ）维护对话历史（通过ConversationBufferMemory 等组件存储上下文）。

（2 ）结合外部工具（如查询实时天气、预订服务）。

2 ）示例

（1 ）电商客服机器人：根据用户历史订单推荐商品，解答物流问题（连接订单数据库）。

（2 ）教育助手：辅导学生做题，结合教材内容解释知识点（检索教材向量库）。

3. 数据处理与分析

让LLM 与结构化/ 非结构化数据交互，实现数据提取、分析、可视化等功能。

典型场景如下。

（1 ）数据提取：从PDF 合同中自动提取甲方、乙方、金额等关键信息（结合UnstructuredFileLoader 和LLM 解析）。

（2 ）SQL 生成与查询：用户用自然语言提问（如“本月销售额前5 的产品”），LangChain 将其转换为SQL 语句，查询数据库后返回结果（通过SQLDatabaseChain 实现）。

（3 ）数据分析报告：基于Excel 表格数据，让LLM 生成趋势分析、异常值说明（连接Pandas 数      据框）。

4. 自动化工作流

构建具备自主决策能力的智能代理（Agent ），自动规划步骤并调用工具完成复杂任务。

1 ）工作原理

Agent 会根据用户目标判断是否需要调用工具（如搜索引擎、计算器、API ），并根据工具返回结果调整下一步行动，直至完成任务。

2 ）示例

（1 ）旅行规划：用户输入“规划从北京到上海的3 天行程”，Agent 会依次调用“航班查询API →酒店预订接口→景点推荐数据库”，生成完整行程。

（2 ）市场调研：自动搜索某行业最新报告、统计数据，汇总后生成分析简报（调用搜索引擎+ 文档解析工具）。

5. 文档生成与自动化写作

批量生成结构化文档（如报告、邮件、合同），或基于模板和数据自动填充内容。

1 ）实现方式

结合LLM 的文本生成能力与LangChain 的模板工具（PromptTemplate ），输入变量（如用户信息、数据指标）后生成定制化内容。

2 ）示例

（1 ）周报/ 月报自动生成：从业务系统提取本周数据（如销售额、用户增长），按固定格式生成报告（搭配jinja2 模板）。

（2 ）法律文书生成：输入合同双方信息、条款细节，自动生成符合规范的合同文本（确保格式和法律术语准确）。

6. 代码开发辅助

辅助开发者编写、解释、调试代码，或连接代码库实现自动化任务。

功能如下。

（1 ）生成代码：根据自然语言需求（如“写一个Python 爬虫爬取豆瓣电影”）生成代码片段。

（2 ）代码解释：解析复杂函数或框架逻辑（如解释LangChain 中Chain 的工作原理）。

（3 ）自动化部署：调用云服务API （如AWS 、Docker ），实现代码部署、容器管理等操作（通过Tool 组件连接API ）。

7. 多模态应用（文本+ 图像/ 语音）

结合图像、语音等模态数据，扩展LLM 的处理能力（需搭配多模态模型或工具）。

示例如下。

（1 ）图像分析：用户上传图片，LangChain 调用图像识别API （如CLIP ）生成描述，再让LLM 基于描述回答问题（如“这幅图片中的建筑是什么风格？”）。

（2 ）语音交互：将用户语音转换为文本（如调用Whisper API ），处理后再将答案转换为语音输出（连接TTS 工具）。

LangChain 的核心价值是“连接LLM 与外部世界”，通过模块化组件（Chains 、Agents 、Memory 、Tools 等）降低开发门槛，让LLM 从“通用对话模型”升级为“能解决实际问题的工具”。其应用场景覆盖客服、教育、企业办公、开发等多个领域，且可通过自定义组件扩展至更复杂的业务需求。

本文节选自《AI Agent智能体开发实践》，获出版社和作者授权发布。