导语
玩 Agent 的人，绕不开一个名字：LangChain。2022 年 10 月开源，GitHub 上已经 14.5 万星、2.4 万 Fork（MIT 协议），是整个 LLM 应用生态里星数最高的老字号。它最早就是一句口号——把大模型和外部能力”链”（Chain）起来。三年过去，它从”提示词链条工具”长成了官方自称的 agent engineering platform（Agent 工程平台）。今天这篇基础篇，就把 LangChain 到底是什么、适合谁、怎么上手，一次讲透。
项目介绍：从 Chain 到 Agent 工程平台
LangChain 刚出来时干的事很朴素：给开发者一套标准接口，把模型调用、提示词模板、向量检索、工具调用串成一条链。那时候大家刚拿到 GPT-3.5 的 API，最大的痛点是”每次换模型、换向量库都要重写代码”，LangChain 一套抽象全抹平了。
现在它的版图大得多，官方生态分成五块：
- LangChain 框架本体：模型、Embedding、向量库、工具、链的标准接口，Python 和 JS/TS 双语言；
- LangGraph：底层 Agent 编排框架，拿”图”来控制复杂多步流程（本站之前单独介绍过，42K 星）；
- Deep Agents：更高一层的开箱即用 Agent，自带规划、子 Agent、文件系统操作；
- LangSmith：调试、可观测、评测一条龙，专治”Agent 线上翻车不知道哪一步崩了”；
- LangSmith Deployment：给长跑、有状态的 Agent 工作流准备的部署平台。
一句话定位：新手从 LangChain 入门做 RAG 和小助手，复杂可控的流程下沉到 LangGraph，Deep Agents 负责开箱即用，LangSmith 负责上线后的运维。一家公司把”开发—编排—部署—观测”全包了，这是 LangChain 和其他单点框架最大的区别。
上手：5 分钟跑通第一个调用
环境要求 Python 3.10+，官方现在推荐用 uv 装：
uv add langchain
然后三行代码调模型（以 OpenAI 为例，换别的模型只改字符串）：
from langchain.chat_models import init_chat_model
model = init_chat_model("openai:gpt-5.5")
result = model.invoke("Hello, world!")
init_chat_model("openai:gpt-5.5") 这种写法就是 LangChain 的精髓：模型名用”厂商:型号”字符串声明，以后想切 Anthropic、Gemini，改一行就行，上层链路代码不动。想往下走，接着学三件套就行：提示词模板（ChatPromptTemplate）→ 文档检索（向量库 + Retriever，做 RAG）→ 工具调用（Tool + Agent）。官方文档在 docs.langchain.com，中文教程一搜一大把。
本地党注意：LangChain 本体不绑模型，想省钱完全可以把 init_chat_model 换成 Ollama 本地模型（比如本站介绍过的 Ollama），链路照跑，token 钱一分不花。
实话：它适合谁，又有哪些坑
先说优点。生态最厚：市面上叫得上名的模型、向量库、云服务，几乎都有 LangChain 集成，文档和问答也是全网最多，出问题基本搜得到。抽象统一：换模型、换检索器成本低，适合要长期迭代的产品。
再说实话。第一，版本变迁快，v0.1 到 v1 的 API 改了不少，老教程容易把你带进坑，看教程先看日期，认准 docs.langchain.com 的当前版。第二，重：只想调个模型对话，大可不必搬整套框架；但做 RAG、Agent、多数据源，它省下的胶水代码远超学习成本。第三，调试玄学：链一长，出错难定位——这正是 LangSmith 存在的意义，正式项目建议早接可观测，别等线上翻车再补。
给个数码罗记式的结论：你是新手想系统学 LLM 应用开发，LangChain 依然是第一站；你只想拖拽搭应用，去看 Dify、Flowise；你要精细控制 Agent 流程，直接下沉 LangGraph。三者同门，路是通的。
by 数码罗记·godsun.pro
