SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场langchain

langchain

智能体与模型

查看项目

更新于 10-14 11:01

技能介绍

LangChain 是用于构建 LLM 驱动应用的框架，官方定位为「用智能体和 RAG 构建 LLM 应用」。

【用途与适用时机】 资料列出的典型使用场景包括：构建带工具调用与推理（ReAct 模式）的智能体；实现 RAG（检索增强生成）流程；需要方便地切换 LLM 供应商（OpenAI、Anthropic、Google）；创建带对话记忆的聊天机器人；快速进行 LLM 应用原型开发；通过 LangSmith 可观测性进行生产部署。

【规模指标】 GitHub 星标 119,000+；272,000+ 仓库使用 LangChain；500+ 集成（模型、向量存储、工具）；3,800+ 贡献者。版本 0.3+（稳定版），许可 MIT。

【安装】 核心库（Python 3.10+）：

Core library (Python 3.10+)

pip install -U langchain

按供应商安装：

With OpenAI

pip install langchain-openai

With Anthropic

pip install langchain-anthropic

Common extras

pip install langchain-community # 500+ integrations pip install langchain-chroma # Vector store

【核心概念】

  1. Models（模型抽象）：可方便切换供应商，例如 ChatOpenAI、ChatAnthropic、ChatGoogleGenerativeAI，并支持流式输出（llm.stream）。
  2. Chains（链）：顺序操作，通过 PromptTemplate 与 LLMChain 组合执行。
  3. Agents（智能体）：使用工具的推理，采用 ReAct（Reasoning + Acting）模式，可用 create_tool_calling_agent、AgentExecutor、Tool 构建。
  4. Memory（记忆）：保存对话历史，例如 ConversationBufferMemory 配合 ConversationChain 实现多轮对话。

【RAG（检索增强生成）】 基本 RAG 流程包括：加载文档（如 WebBaseLoader）、切分成块（RecursiveCharacterTextSplitter，chunk_size=1000，chunk_overlap=200）、创建嵌入与向量存储（Chroma.from_documents + OpenAIEmbeddings）、创建检索器（search_kwargs={"k": 4}）、创建 QA 链（RetrievalQA.from_chain_type，return_source_documents=True）、查询并返回结果与来源。 带记忆的会话式 RAG 可使用 ConversationalRetrievalChain.from_llm，配合 ConversationBufferMemory（memory_key="chat_history"，return_messages=True）实现多轮问答。

【高级智能体模式】 结构化输出：使用 Pydantic 的 BaseModel/Field 定义 schema，通过 llm.with_structured_output(WeatherReport) 获得结构化响应。 并行工具执行：智能体自动并行化相互独立的工具调用。 流式执行：通过 agent_executor.stream 输出各步骤。

【常用模式】 多文档问答：load_qa_with_sources_chain 配合 chain_type="stuff"，输出含来源引用。 自定义工具与错误处理：使用 @tool 装饰器，在工具内捕获异常并返回错误信息。

【LangSmith 可观测性】 设置环境变量 LANGCHAIN_TRACING_V2="true"、LANGCHAIN_API_KEY、LANGCHAIN_PROJECT 后，所有链/智能体自动追踪，可在 smith.langchain.com 查看追踪记录。

【向量存储】 Chroma（本地，可持久化到目录）、Pinecone（云端）、FAISS（相似度搜索，可 save_local/load_local）。

【文档加载器】 支持网页（WebBaseLoader）、PDF（PyPDFLoader）、GitHub（GithubFileLoader）、CSV（CSVLoader）等。

【文本切分器】 递归切分（推荐通用文本）、代码感知（PythonCodeTextSplitter）、语义切分（SemanticChunker）。

【最佳实践】 从简单开始，多数情况用 create_agent()；启用流式以获得更好体验；添加错误处理；使用 LangSmith 调试；RAG 分块大小 500-1000 字符；对提示进行版本管理；缓存嵌入；监控成本。

【性能基准（资料给出）】 简单 LLM 调用约 1-2s；带 1 个工具的智能体约 3-5s（含 ReAct 推理开销）；RAG 检索约 0.5-1s；嵌入 1000 篇文档约 10-30s。

【LangChain 与 LangGraph 对比（资料给出）】 LangChain 适合快速智能体与 RAG，抽象层级高，起始代码 <10 行，控制简单，有状态工作流能力有限，不支持循环图，人工介入为基础级别。LangGraph 适合复杂工作流，抽象层级低，起始约 30 行，控制完全，原生支持有状态工作流与循环图，人工介入更高级。当需要带循环的有状态工作流、细粒度控制、多智能体系统或复杂逻辑的生产应用时，建议使用 LangGraph。

【替代方案（资料给出）】 LlamaIndex：偏重 RAG，更适合文档问答；LangGraph：复杂有状态工作流、更强控制；Haystack：生产级搜索管道；Semantic Kernel：微软生态。

【资源】 GitHub：https://github.com/langchain-ai/langchain Docs：https://docs.langchain.com API Reference：https://reference.langchain.com/python LangSmith：https://smith.langchain.com

【限制】 资料未提供定价、收费模式、具体性能承诺、平台支持范围（除 Python 3.10+ 外）等更多信息，这些方面暂未提供。