用途：LangChain 用于构建 LLM 驱动的应用，适合需要工具调用与推理的智能体、RAG 管线、带记忆的聊天机器人，以及快速原型开发，并可在不同模型提供商之间切换。
主要能力：核心组件包括 Chat Models（跨提供商统一接口）、Agents（工具使用与推理，ReAct 模式）、Chains（可组合的顺序管线）、Memory（对话状态）、Retrievers（文档检索）与 Tools（智能体可调用的外部函数）。智能体模式有 ReAct、Plan-and-Execute、Self-Ask、Structured Chat。工具定义包含名称、描述、参数与返回类型，其中描述决定 LLM 选择哪个工具，需写明何时与为何使用。
RAG 管线：分为加载（网页、PDF、GitHub、数据库）、切分（递归、语义）、嵌入（OpenAI、Cohere、本地）、存储（Chroma、FAISS、Pinecone）、检索（相似度、MMR、混合、自查询）与生成。分块常用递归 500-1000 字符或按 token 256-512。记忆类型有 Buffer、Window、Summary、Vector、Entity；Buffer 会无限增长，长对话宜用摘要或向量。向量库可选 Chroma、FAISS（本地）、Pinecone、Weaviate、Qdrant。
使用方式：资料建议从简单开始，create_agent() 覆盖多数场景；启用流式输出改善体验；尽早开启 LangSmith 追踪以便调试，并用于评估、数据集与监控；缓存嵌入、单独测试检索。LangChain 适合快速智能体与 RAG，LangGraph 适合复杂状态机、分支与人工介入。
限制：资料未提供具体安装命令、代码示例、收费与价格信息，暂未提供。