LangChain中文入门构建零基础能学会吗？

完全可以。文中从零开始逐步讲解，配有详细截图和操作步骤，新手也能轻松跟上。

学LangChain中文入门构建需要花钱吗？

核心功能大多免费，部分高级功能需要订阅，文中标注了每项功能的免费和付费情况。

学完LangChain中文入门构建能达到什么水平？

学完可以独立完成实际项目，文中包含实战案例和进阶建议，帮你从入门到熟练。

LangChain中文入门：构建AI应用瑞士军刀

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中文入门：构建AI应用瑞士军刀

我自己从2024年开始使用LangChain，当时它还处于快速迭代的早期阶段，文档经常跟不上代码的变化，踩了不少坑。到了2026年，LangChain已经稳定了很多，API设计更加合理，社区生态也更加丰富。我用LangChain构建过知识库问答系统、自动化客服机器人、数据分析Agent等多种类型的应用，可以说它是我AI开发工具箱中最常用的工具。

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。

如果你想要一个更全面的AI开发工具概览，可以看看我们的AI工具合集2026，里面涵盖了从开发到部署的全链路工具。

二、LangChain核心概念

理解LangChain，只需要掌握四个核心组件。我会用生活中的类比来解释，确保零基础的同学也能理解。

LangChain中文入门：构建AI应用瑞士军刀 - 配图1

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。

生活类比：想象你在餐厅点菜。你（用户）把需求告诉服务员（Prompt模板），服务员把订单传给厨师（LLM），厨师做好菜后由传菜员端上来（输出解析）。这整个流程就是一条Chain。

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。在代码中，LangChain用管道符号|来串联各个步骤，非常直观。

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。

生活类比：Agent就像你的私人助理。你说”帮我查一下北京明天天气，然后发送邮件给老板”，助理会自动判断需要先调用天气查询工具，再调用邮件工具，完全自主完成。你不需要告诉他每一步怎么做，他有自己的判断力。

在实际应用中，Agent可以调用的工具包括：搜索引擎、代码解释器、数据库查询、文件操作、API调用等等。只要你能定义好工具的接口，Agent就能学会使用它。

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。每个Tool都有三个关键属性：名称（name）、描述（description）、执行函数（func）。描述越准确，Agent就越能正确选择和使用这个工具。

自定义工具示例：

from langchain.tools import tool

@tool
def search_product(query: str) -> str:
    """搜索商品数据库，返回匹配的商品列表"""
    # 这里连接你的数据库或API
    results = db.search(query)
    return str(results)

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。

生活类比：没有Memory的LLM就像金鱼，每次对话都是全新开始。有了Memory，它就像一个正常的对话伙伴，能记住之前聊过什么。

LangChain提供多种Memory类型：

ConversationBufferMemory：保存完整对话历史，最简单但token消耗大
ConversationSummaryMemory：自动总结历史，节省token但会丢失细节
ConversationBufferWindowMemory：只保留最近N轮对话，平衡效果与成本
VectorStoreMemory：用向量数据库存储历史，支持语义检索

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

基础安装

使用pip安装LangChain核心包和最常用的集成：

LangChain中文入门：构建AI应用瑞士军刀 - 配图2

pip install langchain langchain-community langchain-openai

如果你使用DeepSeek、通义千问等国产模型，还需要安装对应的集成包：

# DeepSeek（兼容OpenAI接口）
pip install langchain-openai  # DeepSeek使用OpenAI兼容接口

# 通义千问
pip install langchain-community  # 包含通义千问集成

# 本地模型（Ollama）
pip install langchain-community

API Key配置

以OpenAI为例：

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

推荐使用.env文件管理敏感配置，避免密钥泄露：

# .env文件
OPENAI_API_KEY=sk-xxxxx
DEEPSEEK_API_KEY=sk-xxxxx
SERPAPI_API_KEY=xxxxx

from dotenv import load_dotenv
load_dotenv()  # 自动加载.env中的环境变量

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。想了解DeepSeek的具体用法，可以参考我们的DeepSeek完整指南。

开发环境推荐配置

我推荐的开发环境配置如下：

Python版本：3.10+（LangChain对旧版Python支持有限）
IDE：VS Code + Python扩展 + Jupyter扩展
虚拟环境：使用conda或venv隔离依赖
调试工具：LangSmith（后面会详细介绍）
版本管理：Git（每次调优Prompt都commit一次）

四、8个入门代码示例

示例1：最简单的Chain（Prompt → LLM → Output）


![LangChain中文入门：构建AI应用瑞士军刀 - 配图3](/images/inline/langchain-guide/img-3.webp)
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...

这是LangChain最基础的用法。|是Python的管道运算符，LangChain重载了它来实现链式调用。数据从左到右依次流过每个组件。

示例2：带输出解析的Chain

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate

parser = JsonOutputParser()
prompt = ChatPromptTemplate.from_template(
    "列出3个{topic}的优点，用JSON格式返回，格式：{{\"优点\": [\"...\", \"...\", \"...\"]}}"
)
chain = prompt | llm | parser

result = chain.invoke({"topic": "Python语言"})
print(result)  # 直接得到Python字典
# {'优点': ['语法简洁', '生态丰富', '社区活跃']}

示例3：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4：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5：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6：多步骤数据管道

from langchain.chains import SequentialChain, LLMChain
from langchain_core.prompts import PromptTemplate

# 第一步：分析文本情绪
sentiment_prompt = PromptTemplate(
    input_variables=["text"],
    template="分析以下文本的情感倾向（正面/负面/中性）：{text}"
)
sentiment_chain = LLMChain(llm=llm, prompt=sentiment_prompt, output_key="sentiment")

# 第二步：根据情绪生成回复
reply_prompt = PromptTemplate(
    input_variables=["text", "sentiment"],
    template="原文：{text}
情感：{sentiment}
请根据情感类型生成合适的回复"
)
reply_chain = LLMChain(llm=llm, prompt=reply_prompt, output_key="reply")

# 串联
overall_chain = SequentialChain(
    chains=[sentiment_chain, reply_chain],
    input_variables=["text"],
    output_variables=["sentiment", "reply"]
)

result = overall_chain({"text": "这个产品质量太差了！"})
print(result["sentiment"])  # 负面
print(result["reply"])  # 很抱歉给您带来不好的体验...

示例7：自定义工具Agent

from langchain.agents import tool
from langchain.agents import AgentExecutor, create_openai_tools_agent

@tool
def calculate(expression: str) -> str:
    """计算数学表达式，输入如 '2 + 3 * 4'"""
    return str(eval(expression))

@tool  
def get_weather(city: str) -> str:
    """查询指定城市的天气"""
    # 实际项目中这里调用天气API
    return f"{city}今天晴，25°C"

tools = [calculate, get_weather]
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = agent_executor.invoke({"input": "北京今天天气怎么样？如果温度乘以2是多少？"})

示例8：流式输出（实时显示生成过程）

from langchain_openai import ChatOpenAI

llm_streaming = ChatOpenAI(model="gpt-4o", streaming=True)
prompt = ChatPromptTemplate.from_template("写一篇关于{topic}的短文")
chain = prompt | llm_streaming

for chunk in chain.stream({"topic": "人工智能"}):
    print(chunk.content, end="", flush=True)
# 逐字输出，像ChatGPT那样的打字效果

五、LangChain生态详解

LangChain不仅仅是一个框架，更是一个完整的生态系统。了解这些工具可以大幅提升你的开发效率。

LangSmith：调试与监控平台

LangSmith是我在生产环境中不可或缺的工具。它可以可视化追踪每一轮LLM调用，分析Token消耗、延迟、错误率。

核心功能：

Trace追踪：看到每一次LLM调用的完整输入输出，包括中间的Tool调用
数据集评估：创建测试数据集，自动化评估Prompt的效果
在线监控：实时查看生产环境的LLM调用情况
A/B测试：对比不同Prompt版本的效果

接入方式：

import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-langsmith-key"

只需设置两个环境变量，你所有的LangChain调用就会自动被记录到LangSmith后台。

LangServe：一键部署为API

LangServe让你把Chain或Agent一键部署为REST API，支持自动生成OpenAPI文档和在线测试页面：

from langserve import add_routes
from fastapi import FastAPI

app = FastAPI()
add_routes(app, chain, path="/chat")
# 访问 /chat/playground 即可在线测试

如果你正在学习FastAPI，可以看看我们的FastAPI与AI开发教程，里面有更详细的部署指南。

LangGraph：复杂工作流编排

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。

适用场景：

需要循环的逻辑（如：反复搜索直到找到满意的答案）
需要分支判断（如：根据用户意图走不同的处理路径）
需要多个Agent协作（如：一个Agent负责搜索，另一个负责总结）
需要人工干预（如：关键决策需要人类确认）

from langgraph.graph import StateGraph, END

# 定义状态
class AgentState(TypedDict):
    messages: list
    next_step: str

# 定义节点
def researcher(state):
    # 搜索信息
    ...

def writer(state):
    # 撰写内容
    ...

# 构建图
graph = StateGraph(AgentState)
graph.add_node("research", researcher)
graph.add_node("write", writer)
graph.add_edge("research", "write")
graph.add_edge("write", END)

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	学习曲线	社区规模	生态完整度
LangChain	通用LLM框架	几乎所有场景	中等	最大	最完整
LlamaIndex	数据索引与检索	RAG、文档问答	较低	大	专注RAG
CrewAI	多Agent协作	模拟团队工作流	较低	中等	专注多Agent
Dify	低代码AI平台	快速搭建应用	最低	中等	中等
AutoGen	多Agent对话	研究/实验	较高	中等	专注对话

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。LlamaIndex在RAG场景下效率更高。CrewAI则专注于多Agent协作。

实际项目中，常常是LangChain + LlamaIndex配合使用：LlamaIndex负责高效检索，LangChain负责流程编排。这种组合在知识库问答场景中表现最佳。

七、常见问题与解决方案

Q：LangChain的API变化太频繁了，怎么跟上最新版本？ A：确实，LangChain的API在2024-2025年变化很大，很多老教程已经过时了。到了2026年已经相对稳定。建议关注官方changelog，使用langchain-core中的稳定接口，尽量避免使用langchain-community中频繁变动的实验性功能。另外，LangChain的官方文档现在有了中文翻译，对中文开发者友好多了。我的建议是：锁定一个稳定版本（如0.3.x），只在有大版本更新时才升级。

Q：LangChain的性能怎么样？会不会很慢？ A：LangChain本身只是编排层，它不会增加明显的性能开销。性能瓶颈通常在LLM调用和网络请求上。合理使用流式输出、异步调用和缓存可以大幅优化体验。对于高并发场景，建议使用LangServe + FastAPI的异步能力，配合Redis缓存重复查询，可以将响应时间降低60%以上。

Q：怎么处理LangChain的错误和异常？ A：建议在Chain中添加fallback逻辑，这样主链失败时会自动切换到备用链。同时，在生产环境中一定要加上重试机制和超时控制。LLM API偶尔会出现500错误或超时，没有重试机制的应用在高峰期很容易崩溃。

chain = primary_chain.with_fallbacks([backup_chain])
# 配合重试装饰器
from tenacity import retry, stop_after_attempt
@retry(stop=stop_after_attempt(3))
def call_chain():
    return chain.invoke(input)

Q：LangChain支持流式输出吗？怎么实现打字机效果？ A：支持。使用.stream()方法代替.invoke()即可逐块接收LLM的输出。这在Web应用中特别有用，可以让用户看到实时生成的文字，就像ChatGPT那样的打字机效果，大幅提升用户体验。参考上面的示例8，那个就是最简单的流式输出实现方式。

Q：怎么调试LangChain应用？出了问题很难排查 A：三种方式：第一，设置verbose=True可以看到详细的中间步骤，包括每个Tool的调用和LLM的推理过程；第二，使用LangSmith追踪每次调用，它提供了可视化的调用链路图，可以精确定位哪个环节出了问题；第三，在Jupyter Notebook中逐步调试每个Chain组件，单独测试每一步的输入输出。我推荐日常开发用verbose，生产环境用LangSmith。

Q：LangChain和直接调用API有什么区别？为什么要多一层框架？ A：直接调用API适合简单场景，比如单次对话或简单问答。但当你需要记忆管理、工具调用、多步骤编排、RAG检索等复杂功能时，自己写这些代码工作量巨大。LangChain的价值在于：标准化的组件接口、内置的Memory管理、Tool/Agent编排能力、以及与各种数据源的集成。当你的应用复杂度增加时，LangChain能帮你避免大量重复代码，让你专注于业务逻辑而不是底层实现。

Q：LangChain能用在生产环境中吗？还是只适合原型？ A：完全可以用于生产环境。我自己的多个项目已经在生产环境运行了超过一年。关键是要做好监控（用LangSmith）、错误处理（fallback和重试）、缓存（Redis）和日志记录。LangServe提供了生产级的API部署能力，支持负载均衡和自动扩缩容。

八、进阶技巧

Prompt工程与LangChain结合

LangChain的PromptTemplate是做好提示词工程的基础。我推荐几个实用技巧：

Few-shot模板：在模板中包含2-3个示例，教AI学习你的期望格式
结构化输出：配合Pydantic模型使用with_structured_output确保输出格式
动态Prompt：根据用户输入动态选择不同的Prompt模板

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {"input": "今天天气真好", "output": "情感：正面，关键词：天气"},
    {"input": "这个项目延期了", "output": "情感：负面，关键词：项目、延期"},
]

缓存策略优化

对于重复的查询，使用LangChain的缓存功能可以大幅节省成本：

from langchain.cache import InMemoryCache
from langchain.globals import set_llm_cache

set_llm_cache(InMemoryCache())
# 相同的查询只会调用一次LLM，后续从缓存返回

生产环境建议使用Redis缓存：

from langchain.cache import RedisCache
import redis

set_llm_cache(RedisCache(redis_=redis.Redis()))

评估与测试

LangChain提供了内置的评估框架，可以自动化测试你的应用质量：

from langchain.evaluation import load_evaluator

evaluator = load_evaluator("qa")
result = evaluator.evaluate_strings(
    prediction="LangChain是AI开发框架",
    reference="LangChain是一个用于构建LLM应用的开源框架",
    input="LangChain是什么？"
)
print(result["score"])  # 评分

与DeepSeek配合使用

DeepSeek的API与OpenAI完全兼容，只需修改base_url和api_key即可在LangChain中使用：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-chat",
    openai_api_key="your-deepseek-key",
    openai_api_base="https://api.deepseek.com/v1"
)

更多关于DeepSeek的使用技巧，可以参考DeepSeek完整指南。DeepSeek的编程能力在国产模型中首屈一指，配合LangChain构建AI编程助手是非常好的选择。

九、实战项目：从零构建RAG知识库问答系统

为了让你更好地理解LangChain的实际应用，我来完整演示一个RAG知识库问答系统的搭建过程。这是最常见也最实用的AI应用场景之一。

项目目标

构建一个基于公司内部文档的智能问答助手，员工可以用自然语言提问，系统会从文档中检索相关内容并生成准确的回答。

第一步：准备数据和环境

pip install langchain langchain-openai langchain-community chromadb
mkdir my_rag_project
cd my_rag_project
mkdir docs  # 把你的文档文件放在这里

支持的文档格式：TXT、PDF、Word、Markdown、HTML等。LangChain有对应的DocumentLoader处理每种格式。

第二步：文档加载与切分

文档切分是RAG系统中非常关键的一步。切分策略直接影响检索质量。我的经验是：chunk_size设为500-1000字符，chunk_overlap设为50-100字符。太小会丢失上下文，太大会引入噪音。

第三步：向量化与存储

选择合适的Embedding模型也很重要。OpenAI的text-embedding-3-small性价比最高，国内用户可以用通义千问的Embedding模型，延迟更低。向量数据库方面，小规模用Chroma就够了，大规模建议用Milvus或Pinecone。

第四步：构建检索问答链

把检索器和LLM组合起来，形成完整的问答链。关键是要设计好Prompt模板，告诉LLM基于检索到的文档内容回答问题，如果文档中没有相关信息就诚实说不知道。

这个完整项目大约50行代码就能实现，但效果已经可以满足大部分内部知识库的需求。如果你想部署为API服务，可以参考FastAPI与AI开发教程，学习如何将这个RAG系统变成可供前端调用的REST API。

十、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。

我的学习路径建议：

第1天：跑通示例1-3，理解Chain和Memory
第2-3天：学习Tool和Agent（示例4、7）
第1周：完成一个RAG项目（示例5）
第2周：学习LangSmith调试和LangServe部署
第3-4周：深入学习LangGraph和复杂工作流

现在，打开终端，输入pip install langchain，开始你的第一个AI应用吧！如果你还想了解更多AI开发相关的内容，可以看看FastAPI与AI开发教程，学习如何将LangChain应用部署为高性能API服务。

最后更新：2026年6月 | 基于LangChain 0.3.x版本

深度扩展阅读

本文涵盖的内容是AI领域持续发展的方向之一。如果想进一步了解相关知识,可以参考以下推荐阅读: