langchain

用途

LangChain 是构建 LLM 驱动应用的框架，资料中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）流水线；需要方便地切换 LLM 提供商（OpenAI、Anthropic、Google）；创建带对话记忆的聊天机器人；LLM 应用的快速原型；以及借助 LangSmith 可观测性进行生产部署。

资料同时给出替代方案建议：LlamaIndex 更偏 RAG、适合文档问答；LangGraph 适合复杂有状态工作流、控制更细；Haystack 用于生产搜索流水线；Semantic Kernel 面向微软生态。

主要能力

模型抽象：通过 ChatOpenAI、ChatAnthropic、ChatGoogleGenerativeAI 等类切换提供商，并支持流式输出（llm.stream）。
链（Chains）：使用 PromptTemplate 与 LLMChain 组合顺序操作。
智能体（Agents）：基于 ReAct（推理+行动）模式，通过 create_agent、create_tool_calling_agent、AgentExecutor 构建工具调用智能体，支持自定义工具与错误处理。
记忆（Memory）：ConversationBufferMemory 与 ConversationChain 跟踪多轮对话。
RAG：文档加载（Web、PDF、GitHub、CSV 等）、文本切分（递归、代码感知、语义）、向量存储（Chroma、Pinecone、FAISS）、检索与 RetrievalQA / ConversationalRetrievalChain 问答链。
高级模式：结构化输出（with_structured_output）、并行工具执行、流式智能体执行、多文档带来源问答。
可观测性：通过环境变量启用 LangSmith 追踪。

使用方式

安装（Python 3.10+）：

pip install -U langchain
pip install langchain-openai
pip install langchain-anthropic
pip install langchain-community
pip install langchain-chroma

基础调用示例：

from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-sonnet-4-5-20250929")
response = llm.invoke("Explain quantum computing in 2 sentences")
print(response.content)

创建智能体示例：

from langchain.agents import create_agent
from langchain_anthropic import ChatAnthropic

def get_weather(city: str) -> str:
    """Get current weather for a city."""
    return f"It's sunny in {city}, 72°F"

def search_web(query: str) -> str:
    """Search the web for information."""
    return f"Search results for: {query}"

agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-5-20250929"),
    tools=[get_weather, search_web],
    system_prompt="You are a helpful assistant. Use tools when needed."
)
result = agent.invoke({"messages": [{"role": "user", "content": "What's the weather in Paris?"}]})
print(result["messages"][-1].content)

RAG 基本流程：加载文档 → 切分 → 生成嵌入并存入向量库 → 创建检索器 → 构建 RetrievalQA 链 → 查询并返回来源。

适用场景

快速原型、聊天机器人、文档问答、多提供商模型切换、带工具推理的智能体、生产部署（配合 LangSmith）。

限制与注意事项

资料建议：从简单开始（多数情况用 create_agent()）；启用流式以改善体验；为工具添加错误处理；使用 LangSmith 调试；RAG 分块大小建议 500-1000 字符；对提示词做版本管理；缓存嵌入；监控成本。性能方面，简单 LLM 调用约 1-2 秒，单工具智能体约 3-5 秒，RAG 检索约 0.5-1 秒，嵌入 1000 篇文档约 10-30 秒（均取决于提供商与模型）。LangChain 与 LangGraph 的取舍：LangChain 适合快速智能体与 RAG、抽象层级高、启动代码少于 10 行；LangGraph 适合复杂工作流、控制更细、原生支持有状态与循环图、高级人机协同。

资源

GitHub：https://github.com/langchain-ai/langchain （119,000+ 星标）文档：https://docs.langchain.com API 参考：https://reference.langchain.com/python LangSmith：https://smith.langchain.com 版本：0.3+（稳定）；许可证：MIT。

暂未提供

资料未提供具体收费与价格信息、各平台支持细节、以及除上述指标外的效果数据。