第15章：LangChain 框架——Agent 开发的瑞士军刀

Fri, 10 Jul 2026 00:00:00 +0000

第15章：LangChain 框架——Agent 开发的瑞士军刀

系列导读：LangChain 是 Agent 开发的主流框架。本章讲框架架构、核心概念和实战决策——“什么时候用 LangChain，什么时候应该甩开它”。

一、LangChain 要解决的问题

手工实现一个 Agent，你需要写：

Tool 注册与解析
Prompt 模板管理
Memory 存储维护
Agent 循环逻辑（ReAct / Plan-and-Execute）
错误处理和重试
多 Agent 协作（如果需要）

LangChain 把这些都封装成了可复用的组件和链式工具，让 Agent 开发从"从零搭建"变成"组装积木"。

二、LangChain 核心概念

1. Chain（链）

将多个组件按顺序串起来执行：

chain = prompt_template | llm | output_parser
result = chain.invoke({"input": "分析这份数据"})

每个 | 表示前一个组件的输出经过变换传给下一个组件。

2. Agent

预先封装好的 Agent 循环：

agent = create_react_agent(
    tools=tools,
    llm=llm,
    prompt=prompt
)
agent_executor = AgentExecutor(agent=agent, tools=tools, max_iterations=10)
result = agent_executor.invoke({"input": "帮我查天气"})

预置的 Agent 类型：

ReAct Agent：Thought → Action → Observation 循环
Plan-and-Execute Agent：先规划计划，再按步骤执行
Structured Chat Agent：支持多参数工具调用
Conversational Agent：带记忆的对话型 Agent

3. Tool

from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气信息。"""
    return f"{city}今天天气晴朗，25度"

tools = [get_weather]

装饰自动提取函数签名和 docstring 作为 tool schema，非常简洁。

4. Memory

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
memory.save_context({"input": "我喜欢简洁风格"}, {"output": "好的，我会注意"})
# memory 会自动维护对话历史，在 Agent 调用时作为 context 注入

5. Retriever（检索器）

把 RAG 的检索部分封装好：

retriever = Chroma.from_documents(docs, embeddings).as_retriever()
result = retriever.invoke("什么是 RAG？")

三、LangChain 的优势

快速原型：组装积木的方式，几小时就能跑通一个 Agent
生态丰富：内置大量 ready-to-use 的 tools、retrievers、memory 模块
标准接口：统一的 invoke/stream/batch 接口，切换底层模型无痛
调试友好：链式调用的中间步骤都能打印出来

四、LangChain 的天坑

坑1：过度封装

LangChain 的链式抽象堆了太多层，理解一个简单调用背后实际发生了什么，需要追踪好几层源码。

坑2：性能问题

链式调用每层都有类型转换、验证、异常捕获，对高频场景来说有不可忽视的 overhead。

坑3：版本迭代快

API 变动频繁，一个用 v0.1 写的项目，几个月后 v0.2 就 break。

坑4：不适合深度定制

你要做一个高度定制的推理流程，LangChain 的约束框架可能碍手碍脚。

五、“什么时候用 LangChain，什么时候手搓？”

场景	推荐方案
快速原型验证 / MVP	用 LangChain
标准 Agent 模式（ReAct、工具调用）	用 LangChain
内部工具/低频应用	用 LangChain
高并发生产服务	手搓核心关键路径
极度定制化的推理流程	手搓
需要极致性能优化	手搓
大规模 Multi-Agent 系统	手搓核心编排，局部用框架

最务实的做法：用 LangChain 快速做出 MVP，验证业务价值后再决定哪些部分需要重写。

六、LangChain 实战：一个完整的 RAG Agent

from langchain import hub
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1. 加载文档
loader = WebBaseLoader("https://docs.python.org/3/")
docs = loader.load()

# 2. 切割
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
splits = text_splitter.split_documents(docs)

# 3. 存入向量库
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())
retriever = vectorstore.as_retriever()

# 4. 构建 RAG Chain
prompt = hub.pull("rlm/rag-prompt")
llm = ChatOpenAI(model="gpt-4o")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 5. 使用
response = rag_chain.invoke("Python 的 GIL 是什么？")

七、LangChain 的替代者

框架	特点	适用场景
LangGraph	LangChain 官方出的图编排工具，比链更灵活	复杂 Multi-Agent 编排
LlamaIndex	专注 RAG，文档加载和索引更强	知识库/文档问答
CrewAI	专注 Multi-Agent 协作场景	多智能体项目
AutoGen	微软出的 Multi-Agent 对话框架	研究/多轮讨论
直接 SDK	不用框架，直接调 OpenAI/Anthropic SDK	简单/高性能场景

八、本章小结

LangChain 是 Agent/RAG 快速开发和原型验证的首选框架
核心概念：Chain、Agent、Tool、Memory、Retriever
优势是组装敏捷和生态丰富，劣势是过度封装和性能开销
选型建议：MVP 用 LangChain，生产级核心路径可重写
LlamaIndex（RAG 更强）、CrewAI（Multi-Agent 更强）是重要替代方案

思考题

你在什么情况下会用 LlamaIndex 而不是 LangChain？两个框架的核心差异在哪？
如果你的 Agent 需要同时走 “向量检索 + API 调用 + 代码执行 + 最终报告生成” 四条路径，LangChain 的链式抽象够用吗？你会怎么设计架构？

Python on SelfTechHub

第15章：LangChain 框架——Agent 开发的瑞士军刀

第15章：LangChain 框架——Agent 开发的瑞士军刀

一、LangChain 要解决的问题

二、LangChain 核心概念

1. Chain（链）

2. Agent

3. Tool

4. Memory

5. Retriever（检索器）

三、LangChain 的优势

四、LangChain 的天坑

坑1：过度封装

坑2：性能问题

坑3：版本迭代快

坑4：不适合深度定制

五、“什么时候用 LangChain，什么时候手搓？”

六、LangChain 实战：一个完整的 RAG Agent

七、LangChain 的替代者

八、本章小结

思考题