LangChain和LlamaIndex有什么区别？

LangChain是通用LLM应用框架（瑞士军刀），擅长编排复杂的多步骤AI工作流。LlamaIndex专注于数据索引和检索（RAG场景），在处理大量文档问答时更高效。两者可以配合使用：LlamaIndex做数据层，LangChain做编排层。

LangChain适合做什么项目？

几乎所有LLM应用场景：1) RAG知识库问答系统；2) AI Agent自主任务执行；3) 聊天机器人（带记忆）；4) 文档分析/摘要工具；5) 多步骤数据管道；6) API集成和自动化。LangChain的生态还包括LangSmith（调试监控）和LangServe（API部署）。

LangChain中文入门教程：构建AI应用的瑞士军刀（2026最新）

Q: LangChain是什么？

LangChain是由Harrison Chase于2022年创建的LLM应用开发框架，总部在美国。它提供了一套标准化的工具和接口，让开发者能够轻松地将大语言模型（如GPT-4、Claude、DeepSeek）与外部数据源、工具、记忆系统连接起来，构建复杂的AI应用。2026年已成为AI开发的事实标准。

Q: LangChain怎么读？

LangChain读作/læŋ tʃeɪn/，中文音译约'朗-切恩'，意为'语言链'。Lang是Language（语言）的缩写，Chain是'链'的意思，形象地表达了其核心设计理念：将多个AI处理步骤串联成一条处理链路。

一、引言：LangChain为什么成为AI开发标配

2026年，大语言模型（LLM）已经渗透到各行各业。但仅仅调用一个聊天API远远不够——真正的AI应用需要把模型与外部数据、工具、工作流串联起来。这就是LangChain大放异彩的地方。

LangChain是什么？ LangChain是由Harrison Chase于2022年创建的LLM应用开发框架，总部位于美国。它的核心定位是”LLM应用的瑞士军刀”——提供一套标准化的组件，让开发者像搭积木一样构建复杂的AI应用。无论你是想做RAG知识库、AI Agent、还是多步骤数据管道，LangChain都能帮你大幅减少样板代码。

那LangChain怎么读呢？它读作/læŋ tʃeɪn/，中文音译约”朗-切恩”，Lang是Language（语言）的缩写，Chain是”链”的意思，形象地表达了其核心理念：将多个AI处理步骤串联成一条处理链路。想访问LangChain官网获取LangChain中文文档，可以直接前往 langchain.com。

二、LangChain核心概念

理解LangChain，只需要掌握四个核心组件：

2.1 Chains（链）

Chain是LangChain最基础的设计模式。它将多个处理步骤按顺序串联：Prompt模板 → LLM调用 → 输出解析。例如，接收用户问题 → 套入预设模板 → 调用GPT-4 → 格式化返回结果，这就是一条最简单的链。

2.2 Agents（智能体）

Agent是LangChain最具魅力的组件。它赋予LLM”自主决策”能力——模型可以分析任务、选择工具、执行操作、观察结果，然后决定下一步。比如”帮我查一下北京明天天气，然后发送邮件给老板”，Agent会自动调用天气API，再调用邮件工具，完全自主完成。

2.3 Tools（工具）

Tool是扩展LLM能力的插件。LLM本身只能生成文本，但通过Tool，它可以搜索网页、执行Python代码、查询数据库、调用API。LangChain内置了大量工具，也支持自定义——这正是Agent”动手能力”的来源。

2.4 Memory（记忆）

默认情况下，LLM每次调用都是”失忆”的。Memory组件为对话注入上下文持久化能力，让聊天机器人记住之前的对话历史，实现真正连贯的多轮对话。

架构图说明

LangChain的整体架构可以理解为：应用层通过Chain或Agent编排逻辑 → Memory提供上下文 → LLM作为”大脑”推理 → Tools扩展执行能力 → 外部数据源（向量数据库、API、文档）提供知识。各组件松耦合，开发者可以灵活组合。

三、安装与环境配置

使用pip安装LangChain：

pip install langchain langchain-community langchain-openai

API Key配置方式（以OpenAI为例）：

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

LangChain支持几乎所有主流模型提供商：OpenAI（GPT-4）、Anthropic（Claude）、DeepSeek、通义千问等。只需安装对应的集成包即可切换。

四、5个入门代码示例

示例1：最简单的Chain（Prompt → LLM → Output）

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

llm = ChatOpenAI(model="gpt-4o", temperature=0.7)
prompt = ChatPromptTemplate.from_template("用一句话解释{topic}是什么")
chain = prompt | llm

response = chain.invoke({"topic": "LangChain"})
print(response.content)
# 输出：LangChain是一个用于构建LLM驱动应用的框架...

示例2：带记忆的对话机器人

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)

conversation.predict(input="我叫小明")
conversation.predict(input="我叫什么名字？")
# 输出：你叫小明（Memory让它记住了上下文）

示例3：使用工具（搜索引擎Agent）

from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool

def search_tool(query):
    # 接入搜索引擎API（如SerpAPI、Tavily）
    return f"关于'{query}'的搜索结果..."

tools = [Tool(name="搜索", func=search_tool, description="搜索互联网获取信息")]
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION)

agent.run("2026年诺贝尔和平奖得主是谁？")

示例4：RAG文档问答

from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 加载并切分文档
loader = TextLoader("knowledge.txt")
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)

# 向量化存储
vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())

# 检索问答
retriever = vectorstore.as_retriever()
query = "公司年假政策是什么？"
docs = retriever.get_relevant_documents(query)
print(docs[0].page_content)

示例5：多步骤数据管道

from langchain.chains import SequentialChain

# 第一步：分析文本情绪
# 第二步：根据情绪生成回复
# 第三步：翻译成英文

# 三条链串联，数据自动流转，一气呵成

五、LangChain生态

LangChain不仅仅是一个框架，更是一个完整的生态系统：

LangSmith：调试与监控平台。可视化追踪每一轮LLM调用，分析Token消耗、延迟、错误率，是生产环境必备的调试利器。
LangServe：一键将Chain或Agent部署为REST API，支持自动生成OpenAPI文档和在线测试页面，从开发到上线只需几分钟。
LangGraph：专为复杂状态机工作流设计的扩展。当简单的线性Chain无法满足需求时，LangGraph让你用图（Graph）来定义Agent的多分支决策流程。

六、与其他框架对比

除了LangChain，2026年还有几个热门框架值得关注：

框架	定位	适用场景
LlamaIndex	数据索引与检索	RAG、文档问答
CrewAI	多Agent协作	模拟团队工作流
Dify	低代码AI平台	快速搭建AI应用

LangChain的优势在于生态最完整、社区最大、灵活性最高，适合有编程基础的开发者。Dify更适合非技术人员通过可视化界面搭建应用（详见Dify教程）。LlamaIndex在RAG场景下效率更高（参见RAG知识库搭建教程和向量数据库入门）。CrewAI则专注于多Agent协作。实际项目中，常常是LangChain + LlamaIndex配合使用。

对于更高级的场景，还可以关注AI Agent框架对比和MCP协议完全指南，进一步扩展Agent的能力边界。

七、总结

LangChain已经成为2026年AI应用开发的事实标准。它的核心价值在于标准化——把LLM应用开发中常见的需求（记忆管理、工具调用、链式编排）抽象为统一的组件，让开发者不再重复造轮子。

对新手来说，建议从最简单的Chain开始，逐步上手Agent和RAG，最后深入LangGraph掌握复杂工作流。记住：LangChain就像乐高积木，你不需要一次性掌握所有组件——用到哪学到哪，边做边学。

现在，打开终端，输入pip install langchain，开始你的第一个AI应用吧！