在AI大模型时代，Python以23.08%的市场份额连续五年稳居编程语言榜首，在AI、数据科学、深度学习等前沿技术中的应用尤为广泛。而LangChain作为一个基于大语言模型（LLM）的应用程序开发框架，提供了一整套工具、组件和接口，简化了创建大模型应用程序的过程，已经成为大模型应用开发的事实标准。
本文将从零到一地介绍如何使用LangChain构建从检索增强生成（RAG）到智能代理（Agent）的完整应用。
LangChain的核心价值
为什么需要LangChain
直接调用LLM API只能实现基础的文本生成功能。但在实际应用中，我们需要：
- 与外部数据交互：让大模型能够理解和处理特定领域的知识
- 集成多个LLM：在不同场景使用不同的模型
- 添加工具支持：让大模型能够调用计算器、搜索引擎等外部工具
- 管理上下文：维护对话历史和状态
- 处理复杂流程：组织多步骤的操作流程
LangChain正是为了解决这些问题而诞生的。LangChain可以将LLM模型、向量数据库、交互层Prompt、外部知识、外部工具整合到一起，进而可以自由构建LLM应用。
LangChain的架构组成
# LangChain核心组件 from langchain.chat_models import ChatOpenAI from langchain.prompts import ChatPromptTemplate from langchain.schema.output_parser import StrOutputParser from langchain.memory import ConversationBufferMemory # Models：选择大语言模型 llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.7) # Prompts：设计提示模板 prompt = ChatPromptTemplate.from_template( "You are a helpful assistant. Answer the following question: {question}" ) # Output Parser：解析输出 output_parser = StrOutputParser() # Memory：保存对话历史 memory = ConversationBufferMemory() # Chain：组织流程 chain = prompt | llm | output_parser从基础到高级的完整应用
1. 基础的LLM链式调用
from langchain.chat_models import ChatOpenAI from langchain.prompts import ChatPromptTemplate from langchain.schema.output_parser import StrOutputParser # 创建LLM llm = ChatOpenAI(model_name="gpt-4", temperature=0) # 定义提示模板 template = """请根据以下信息回答问题： 信息：{context} 问题：{question} 回答：""" prompt = ChatPromptTemplate.from_template(template) # 组建链 chain = prompt | llm | StrOutputParser() # 执行 result = chain.invoke({ "context": "Python是一门高级编程语言", "question": "Python是什么？" })2. 检索增强生成（RAG）
RAG是当前最流行的大模型应用模式，允许大模型基于特定文档进行回答：
from langchain.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chains import RetrievalQA # 1. 加载文档 loader = PyPDFLoader("document.pdf") documents = loader.load() # 2. 分割文本 text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=200 ) splits = text_splitter.split_documents(documents) # 3. 创建向量存储 embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_documents(splits, embeddings) # 4. 创建检索链 qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=vectorstore.as_retriever() ) # 5. 执行查询 result = qa_chain.run("文档中讲了什么内容？")3. 智能Agent（代理）
Agent是LangChain中最强大的功能，允许大模型根据任务自主决定调用哪些工具：
from langchain.agents import tool, initialize_agent, AgentType from langchain.chat_models import ChatOpenAI import asyncio llm = ChatOpenAI(model_name="gpt-4", temperature=0) # 定义工具 @tool def get_weather(location: str) -> str: """获取指定城市的天气信息""" returnf"{location}今天天气晴朗，温度25°C" @tool def calculate(expression: str) -> float: """执行数学计算""" return eval(expression) # 初始化Agent tools = [get_weather, calculate] agent = initialize_agent( tools, llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True ) # 执行任务 result = agent.run("北京今天天气怎么样？然后告诉我25乘以3等于多少？")4. 多链编排
对于复杂应用，需要多个链相互协作：
from langchain.chains import SequentialChain, LLMChain from langchain.prompts import PromptTemplate # 链1：总结 summary_template = "请用一句话总结以下内容：{text}" summary_prompt = PromptTemplate(input_variables=["text"], template=summary_template) summary_chain = LLMChain(llm=llm, prompt=summary_prompt) # 链2：翻译 translate_template = "请将以下内容翻译成英文：{summary}" translate_prompt = PromptTemplate(input_variables=["summary"], template=translate_template) translate_chain = LLMChain(llm=llm, prompt=translate_prompt) # 组织成顺序链 sequential_chain = SequentialChain( chains=[summary_chain, translate_chain], input_variables=["text"], output_variables=["summary", "output"] ) # 执行 result = sequential_chain({"text": "很长的文本内容..."})LangChain的性能优化
1. 使用缓存减少API调用
from langchain.cache import SQLiteCache from langchain.globals import set_llm_cache import langchain # 配置缓存 set_llm_cache(SQLiteCache(database_path=".langchain.db")) # 之后的相同查询会从缓存中获取2. 流式处理大型文档
# 使用流式处理而不是一次性加载 for chunk in chain.stream({"question": "问题"}): print(chunk, end="", flush=True)3. 批量处理
# 批量执行多个查询 questions = ["问题1", "问题2", "问题3"] results = chain.batch([{"question": q} for q in questions])常见的应用场景
场景1：知识库问答系统
# 构建企业知识库问答系统 from langchain.chains import RetrievalQA knowledge_qa = RetrievalQA.from_chain_type( llm=llm, retriever=knowledge_base_vectorstore.as_retriever(), return_source_documents=True # 返回源文档 )场景2：自动化数据分析
# 让Agent自主分析数据 @tool def analyze_data(file_path: str) -> str: """分析CSV文件""" import pandas as pd df = pd.read_csv(file_path) return df.describe().to_string() # Agent会自主决定何时调用此工具场景3：多步骤工作流自动化
# 自动完成复杂的业务流程 complex_agent = initialize_agent( tools=[database_tool, email_tool, file_tool], llm=llm, agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION, memory=ConversationBufferMemory() )结尾
LangChain不仅降低了大模型应用开发的门槛，更重要的是它提供了一套完整的、可扩展的框架。从简单的文本生成到复杂的多工具编排，LangChain都提供了相应的支持。LangChain的Agent概念是其精髓所在，通过让大模型自主决定调用哪些工具，可以实现真正的"智能"应用。随着大模型技术的不断发展和成熟，LangChain这样的框架将在产业应用中扮演越来越重要的角色。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
:DOM事件)
