LangChain【1】---- 基础入门

前言

刚接触大模型开发都会有一个疑问：我直接调用 OpenAI、DeepSeek 的 API 就能写对话了，为什么还要多学一个 LangChain 框架？是不是多此一举？

如果你只想实现一句“你好”的简单对话，那确实不用。但只要你想做稍微复杂一点的功能——比如能记住上下文的智能客服、能读取内部文档的问答机器人、能自动调用工具处理数据的办公助手——纯手写 API 的代码量会指数级上涨，你 80% 的时间都在重复写底层拼接、异常处理的“轮子代码”，根本没空打磨真正的业务功能。

这篇指南就用大白话把 LangChain 讲透，从核心概念、架构逻辑到环境搭建，再到写出第一个可运行的完整程序，全程跟着做就能顺利上手。

一、先搞懂：为什么我们需要 LangChain？

我们先看一个真实的开发场景：如果你想做一个「能记住聊天记录、还能查询公司内部文档的 AI 客服」，直接调用大模型 API，你需要自己手动实现所有底层逻辑：

• 自己维护每一轮的对话历史，每次提问都手动把历史拼接到消息里，还要实时控制长度，避免超出模型的 token 上限
• 自己搭建向量数据库，从零写文档拆分、文本向量化、相似度检索的逻辑，还要兼容 Word、PDF、Markdown 等各种文件格式
• 自己实现工具调用的解析规则，手写 JSON 解析逻辑，处理工具调用失败、参数错误等各种异常
• 如果后续想从 GPT 换成 DeepSeek 或者其他国产模型，接口格式、参数定义、解析逻辑几乎要全部重写

这些工作单独拿出来都不难，但凑到一起会消耗你绝大多数的开发精力。而 LangChain 就是把这些通用的底层工作全部封装成了现成的组件，让你像搭积木一样组合功能，把精力集中在业务逻辑本身。

代码量对比：直接调用 API vs 用 LangChain

我们用最简单的“调用 AI 回复一句话”来直观感受一下差异：

直接调用 OpenAI 原生 API：需要自己处理消息格式、接口参数

importopenai response=openai.chat.completions.create(model="gpt-4",messages=[{"role":"user","content":"你好"}])print(response.choices[0].message.content)

用 LangChain 调用：统一的标准写法，换模型只需要改一行配置

fromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="gpt-4")response=llm.invoke("你好")print(response.content)

功能越简单，两者差距越小；但一旦加上对话记忆、工具调用、知识库检索，原生 API 的代码量会快速膨胀，而 LangChain 始终能保持简洁、统一的编码风格。

LangChain 的核心价值总结

1. 不用重复造轮子：对话管理、工具调用、知识库检索、输出解析等通用能力全是现成组件
2. 模型无缝切换：GPT、Claude、DeepSeek、本地开源模型，改一行配置就能完成切换，不用重写业务代码
3. 专注业务逻辑：消息拼接、参数解析、异常重试、长度控制这些底层细节，框架全部自动处理
4. 生态极其丰富：官方支持 70+ 大模型、100+ 第三方工具、50+ 向量数据库，绝大多数场景都有现成集成
5. 调试运维方便：配套 LangSmith 调试工具，可以可视化追踪每一步 AI 调用、工具执行的细节，快速定位问题

二、LangChain 是什么？到底能做什么？

1. 基础定位

LangChain 是 2022 年 10 月由 Harrison Chase 发起的开源框架，专门用于开发「大模型驱动的应用程序」。

简单来说，它就是一套大模型应用开发的「标准化积木套装」——把开发 AI 应用需要的所有通用零件都做好了，你只需要根据自己的需求选择组件、拼接逻辑，就能快速做出完整的 AI 产品。

冷知识：LangChain 的发布时间比 ChatGPT 还要早一个月，目前是全球最主流的大模型应用开发框架之一。

2. 它能帮你实现哪些核心场景？

3. LangChain 全家桶：三个层级怎么选？

LangChain 不是一个单一的工具，而是一整套生态产品，从底层到高层分为三个层级，层层递进、互为补充，并不是竞争关系。我们用「开奶茶店」打个比方，帮你快速理解：

新手入门建议：优先从 LangChain 核心框架开始学（也是本篇教程的重点），等业务需求变复杂了再深入 LangGraph；如果只是快速做 Demo 验证想法，可以直接尝试 Deep Agents。

三、LangChain 核心架构：三层结构一目了然

LangChain 的所有模块按照「从底层基础到业务应用」分成了三层，理解了这个整体结构，后面学单个组件就不会混乱。

第一层：基础层 —— 和 AI 对话的通用规则

这一层是所有功能的地基，定义了和大模型交互的基础标准。

• Messages：标准化的消息格式，系统提示、用户提问、AI 回复、工具返回结果都有统一的格式规范
• Prompts：提示词模板，支持重复使用，还能动态插入变量，不用每次都写完整的提示词
• Streaming：流式输出能力，像 ChatGPT 官网一样逐字返回结果，提升用户体验
• Middleware：中间件机制，可以在调用 AI 前后自动加重试、缓存、超时控制、日志记录等逻辑

第二层：能力层 —— 给 AI 扩展各种技能

这一层提供了大量独立的功能组件，可以单独使用，也可以自由组合。

• Models：统一的模型调用接口，不管是什么品牌的大模型，都用invoke（单次调用）、batch（批量调用）、stream（流式调用）这几个标准方法
• Tools：工具调用组件，用一个装饰器就能把你的函数变成 AI 可以调用的工具
• Memory：对话记忆组件，分短期记忆（当前会话）、长期记忆（跨会话）、摘要记忆（压缩历史节省 token）等多种类型
• Structured Output：结构化输出，强制 AI 按照你指定的 JSON 格式返回结果，不会出现格式混乱的情况

第三层：应用层 —— 组合技能解决实际业务问题

这一层面向具体业务场景，把下层的能力组件组合起来，形成完整的解决方案。

• Chains：链式调用，用管道符把「提示词模板→大模型→输出解析」串成一条流水线，是 LangChain 的核心语法（LCEL）
• Retrieval（RAG）：完整的知识库检索流程，从加载文档、拆分文本、存入向量库到相似度检索全链路支持
• Agents：智能代理，让 AI 自主规划执行步骤，循环调用工具，直到完成任务目标

举个完整例子：公司内部问答机器人的工作流程

1. 用户提问：「公司的年假政策是什么？」
2. Prompts 组件把用户问题套进预设的提示词模板
3. Retrieval 组件从向量数据库中检索出最相关的文档片段
4. Models 组件把「用户问题 + 检索到的文档片段」一起发给大模型生成回答
5. Structured Output 组件确保回答按照指定的格式返回
6. Memory 组件把本轮问答存入对话记忆，后续追问可以关联上下文

四、手把手搭开发环境：跟着做零出错

1. 包管理工具选哪个？

开发 Python 项目，核心要解决两个问题：环境隔离（不同项目用不同版本的库，互不干扰）和第三方库安装。

常见的工具有三种，我们直接说结论：

• venv + pip：Python 自带的基础组合，能用但功能少、安装速度慢
• conda：全能型工具，可以管理 Python 版本、安装非 Python 库（比如 CUDA），但体积大、速度慢
• uv：新一代工具，用 Rust 编写，安装速度比 pip 快 10~100 倍，同时支持 Python 版本管理、虚拟环境、依赖安装，LangChain 全生态官方推荐

本篇教程统一使用 uv：LangChain 的所有包都发布在 PyPI 上，uv 速度快、依赖管理精准，可以完全替代 pip + venv 的组合。

2. 第一步：安装 uv

根据你的操作系统选择对应的命令：

Windows（PowerShell 中执行）：

powershell-ExecutionPolicy ByPass-c"irm https://astral.sh/uv/install.ps1 | iex"

macOS / Linux（终端中执行）：

curl-LsSfhttps://astral.sh/uv/install.sh|sh

安装完成后，在终端输入以下命令，能输出版本号就说明安装成功：

uv--version

3. 第二步：创建项目并安装 LangChain

按顺序执行以下命令，每一步的作用都标注清楚了：

# 1. 创建项目文件夹并进入mkdirlangchain-course&&cdlangchain-course# 2. 初始化项目，自动创建虚拟环境和项目配置文件uv init# 3. 锁定 Python 版本（推荐 3.12，稳定兼容绝大多数包）uv python pin3.12# 4. 安装 LangChain 核心包（必装）uvaddlangchain# 5. 安装你要用的大模型集成包（选一个你有 API 的安装即可）uvaddlangchain-openai# OpenAI/GPT 系列，也兼容所有 OpenAI 格式的中转/国产平台uvaddlangchain-deepseek# DeepSeek 官方集成uvaddlangchain-ollama# 本地运行大模型时使用uvaddlangchain-anthropic# Claude 系列模型# 6. 安装环境变量工具，保护 API 密钥uvaddpython-dotenv

小说明：uv add会自动把依赖记录到项目配置文件里，还会自动生成锁文件，方便团队协作时还原完全一致的开发环境。

4. 认识项目里的关键文件

执行完上面的命令后，你的项目文件夹里会多出这几个核心文件/文件夹：

• pyproject.toml：项目的「依赖清单」，记录了项目需要的所有包和版本要求，uv add会自动更新它
• uv.lock：uv 自动生成的「精确版本记录」，记录了所有包（包括间接依赖）的精确版本，保证换电脑、换环境也能得到完全一致的结果
• .venv文件夹：虚拟环境目录，所有安装的包都存在这里，不用手动修改里面的内容

5. 第三步：准备大模型 API

LangChain 本身不提供大模型，你需要准备一个可用的大模型 API 密钥。常见的选择有三类：

新手推荐：DeepSeek 价格便宜、中文能力强，非常适合入门学习；如果想用 GPT 系列，可以选择合规的国内中转平台。

6. 第四步：配置环境变量（保护你的 API 密钥）

绝对不要把 API 密钥直接写在代码里！一旦代码上传到公开仓库，密钥很容易泄露，造成财产损失。我们用.env文件来存储敏感信息。

1. 在项目根目录新建一个名为.env的文件
2. 填入你的配置（以 OpenAI 兼容格式为例）：

# 你的 API 密钥 OPENAI_API_KEY=sk-你的密钥 # 模型接口地址，官方填官方地址，中转/国产填对应平台的地址 OPENAI_BASE_URL=https://api.openai.com/v1

3. 代码中通过工具读取环境变量：

fromdotenvimportload_dotenvimportos# 加载 .env 文件里的所有变量到系统环境中load_dotenv()# 读取变量api_key=os.getenv("OPENAI_API_KEY")base_url=os.getenv("OPENAI_BASE_URL")

重要提醒：一定要把.env加到.gitignore文件中，绝对不要上传到代码仓库！

7. 验证环境是否搭建成功

在终端执行这条命令，能正常输出版本号就说明环境搭建完成了：

uv run python-c"import langchain; print(langchain.__version__)"

五、写出你的第一个 LangChain 程序

环境搭好之后，我们来写第一个可运行的 LangChain 应用。在项目根目录新建一个main.py文件，粘贴下面的代码：

importosfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAI# 1. 加载 .env 中的环境变量load_dotenv()# 2. 创建大模型实例llm=ChatOpenAI(model="gpt-4",# 替换成你实际使用的模型名称，比如 deepseek-chatapi_key=os.getenv("OPENAI_API_KEY"),base_url=os.getenv("OPENAI_BASE_URL"))# 3. 调用大模型response=llm.invoke("你好，请用一句话介绍一下 Python 语言")# 4. 打印回答结果print("AI 回答：",response.content)

在终端执行运行命令：

uv run python main.py

运行成功的话，终端就会输出 AI 的回复，恭喜你完成了第一个 LangChain 程序！