参考资料

• LangChain Python Overview
• LangChain Python Agents
• ChatOpenAI Integration
• LangGraph Overview
• LangSmith Documentation

读完后，你应能回答：

• 什么时候该用 LangChain，什么时候不用？
• LangChain 有哪些包？
• LangChain 的生态是什么？

LangChain（01） - LangChain 是什么、核心包与生态

核心知识清单

• LangChain 是大模型应用框架，不是模型，也不会提升模型本身的知识和推理能力
• LangChain v1 的高层入口围绕 Agent、Model、Tool、Middleware 等能力组织
• langchain-core 保存消息、Runnable、Prompt 和 Tool 等基础契约
• langchain-openai 等集成包负责连接具体模型供应商
• LangGraph 承担更复杂的状态、分支、循环和持久化执行
• LangSmith 用于 Trace、评测与线上观测，不参与业务答案生成

一、什么时候该用 LangChain，什么时候不用？

LangChain 是用来构建大模型应用的框架。

它处理的是“模型周围的应用工程”，不是训练模型本身。

一个最小的大模型应用通常只有两步：

1. 把用户问题发给模型。
2. 把模型返回的文本展示出来。

这种场景直接使用模型供应商 SDK 就够了。

当应用继续增长，业务会逐渐出现更多对象：

• System、User、Assistant 和 Tool 消息。
• 可以切换的模型供应商。
• 需要校验的结构化输出。
• 允许模型选择的 Tools。
• 对话历史和运行时上下文。
• 重试、超时、流式输出和回调。
• Trace、评测和人工审批。

LangChain 为这些对象提供相对统一的接口。

统一接口的价值是减少供应商 SDK 与业务代码之间的直接耦合。

例如业务代码不应该到处读取 OpenAI 响应对象的私有字段。

它更适合依赖 LangChain 的消息和模型接口，再由集成包完成协议转换。

二、LangChain 有哪些包？

• langchain：提供 create_agent、Agent 和 Middleware 等高层应用入口。
• langchain-core（导入名 langchain_core）：提供 Message、Document、Prompt、Runnable、Tool 和 Retriever 等基础契约。
• langchain-openai（导入名 langchain_openai）等供应商包：提供 ChatModel 和 Embeddings 集成。
• langchain-text-splitters、langchain-mcp-adapters、langchain-milvus：分别提供文档分块、MCP Tool 转换和向量库集成。

包	负责什么	典型导入
langchain	create_agent、Middleware 等高层应用入口	langchain.agents
langchain-core	Message、Document、Prompt、Runnable、Tool、Retriever 等稳定契约	langchain_core.messages、langchain_core.runnables
langchain-openai	ChatOpenAI 与 OpenAIEmbeddings	langchain_openai
langchain-text-splitters	RecursiveCharacterTextSplitter 等文档分块器	langchain_text_splitters
langchain-mcp-adapters	把 stdio 或 Streamable HTTP MCP Server 转换为 LangChain Tools	langchain_mcp_adapters
langchain-milvus	Milvus VectorStore 与 Retriever 适配	langchain_milvus
langgraph	显式状态图、持久化与可恢复执行	langgraph.graph
langchain-community	社区 Loader、VectorStore 和第三方集成	langchain_community
pydantic	Tool 参数和结构化输出的运行时 schema	pydantic

Python 的安装名通常用连字符，导入名则用下划线。例如安装 langchain-text-splitters 后，要从 langchain_text_splitters 导入。

2.1 LangChain 在 Python 项目的安装与导入

Python 生态使用 PyPI 包拆分核心能力和供应商集成：

pip install langchain langchain-core langchain-openai langchain-text-splitters

消息类型通常从 langchain_core.messages 导入，ChatOpenAI 来自 langchain_openai，RecursiveCharacterTextSplitter 来自 langchain_text_splitters。Python 类型注解不会自动校验模型生成的 Tool 参数，仍要使用 Pydantic schema 或工具装饰器的参数契约。

from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

2.2 langchain 包基础使用

langchain 提供 Agent 等高层入口。下面的代码需要已配置模型凭据：

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI

def get_weather(city: str) -> str:
    """返回演示天气，实际项目应调用真实天气服务。"""
    return f"{city}今天晴，25°C"

model = ChatOpenAI(model="gpt-5.4-mini", temperature=0)
agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是天气助手，查询天气时必须调用工具。",
)

result = agent.invoke({"messages": [{"role": "user", "content": "成都天气如何？"}]})
print(result["messages"][-1].content)

2.3 langchain-core 包基础使用

语言对应的 core 包保存跨供应商复用的基础对象。

常见对象包括：

• 消息类型。
• Prompt 模板。
• Runnable 接口。
• Output Parser。
• Tool 定义。
• Callback 与运行配置。

业务代码依赖这些契约后，更换供应商时不需要重写全部上层逻辑。

但“统一接口”不代表所有供应商能力完全一致。

某些模型不支持 Tool Calling，某些兼容接口也不会返回完整 Token Usage。能力差异仍要通过集成文档和真实测试确认。

from langchain_core.messages import HumanMessage
from langchain_core.runnables import RunnableLambda

def to_message(question: str) -> HumanMessage:
    """把普通字符串转换为 HumanMessage。"""
    return HumanMessage(content=question.strip())

message = RunnableLambda(to_message).invoke("  LangChain core 负责什么？  ")
print(type(message).__name__)
print(message.content)

2.4 langchain-openai 包基础使用

其他模型供应商通常有各自的集成包。

下面的代码需要设置 OPENAI_API_KEY：

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-5.4-mini", temperature=0)
response = model.invoke(
    [
        SystemMessage(content="只用一句话回答。"),
        HumanMessage(content="LangChain 是模型吗？"),
    ]
)

print(type(response).__name__)
print(response.content)

三、LangChain 的生态是什么？

LangChain 不是一个包包办全部能力。

它与 LangGraph、LangSmith 和各类集成共同构成生态。

flowchart LR
    A[业务应用] --> B[LangChain]
    B --> C[Model]
    B --> D[Tools]
    B --> E[Middleware]
    B --> F[LangGraph]
    C --> G[模型供应商集成]
    D --> H[数据库与外部 API]
    F --> I[状态、分支、循环与持久化]
    B --> J[LangSmith]
    F --> J
    J --> K[Trace、评测与观测]

3.1 LangGraph：复杂执行流程

LangGraph 适合表达状态、分支、循环和可恢复执行。

当流程需要“调用 Tool 后根据结果决定下一步”，它比单向顺序链更自然。

LangChain 的 Agent 能力本身也建立在 LangGraph 的运行能力之上。

学习顺序上，不应在还没理解模型和 Tool 前直接进入复杂图状态。

3.2 LangSmith：运行证据

LangSmith 负责记录和评估运行过程。

它可以保存模型调用、Tool 调用、耗时、错误和评测结果。

LangSmith 不替代 LangChain。

一个负责执行应用逻辑，一个负责观察和评估执行结果。

3.3 Integrations：连接外部世界

模型、向量数据库、文档加载器和第三方服务都属于集成层。

集成数量多不代表每个集成都由 LangChain 核心团队维护。

3.4 下一步学什么？

下一篇只做两件事：

1. 通过 LangChain 接入一个真实 ChatModel。
2. 定义并注册一个 Tool，观察模型返回的 Tool Call。

Prompt、Runnable、LCEL 和 Output Parser 会在后续文章逐层展开。

现在不需要一次理解完整链路。

四、总结

什么时候该用 LangChain，什么时候不用？ 只有固定 Prompt 和一次模型调用时，直接使用模型供应商 SDK 即可；需要统一消息、切换模型、组合 Tools、管理上下文或接入 Trace 时，再使用 LangChain。

LangChain 有哪些包？ langchain 提供 Agent 等高层入口，langchain-core 提供 Message、Runnable、Prompt 和 Tool 等基础契约，langchain-openai 等集成包负责连接具体模型与外部系统。

LangChain 的生态是什么？ LangChain 负责组织大模型应用，LangGraph 负责复杂状态与可恢复执行，Integrations 连接模型和外部数据，LangSmith 负责 Trace、评测与观测。