LangChain 是一個專為大語言模型（LLM）應用開發設計的開源框架，核心作用是把大模型和各種外部資源（數據庫、API、文檔）、工具（搜索引擎、計算器）“串” 起來，讓你不用從零寫代碼，就能快速搭建複雜的 AI 應用（比如智能問答機器人、文檔分析工具、自主代理）。
一、核心定位：解決大模型的 “先天缺陷”
二、LangChain 核心組件（白話版）
1. 模型輸入輸出（Model I/O）：和大模型的 “對話接口”
- 核心功能：
- Prompt 模板：不用每次寫重複的指令，比如做 “文檔問答” 時，模板可以固定成
“請根據下面的文檔回答問題：{文檔內容}\n問題：{用户問題}”，只需填變量； - 模型調用：支持 OpenAI、Anthropic、國內的智譜 AI、文心一言等主流大模型，一行代碼切換模型；
- 輸出解析：把大模型返回的 “自然語言” 轉成結構化數據（比如 JSON、列表），方便後續處理。
- 白話例子：你要做一個 “古詩生成器”，可以用 Prompt 模板固定格式
“請生成一首關於{主題}的七言絕句，語言優美”，調用模型時只傳 “主題 = 春天”，輸出解析器自動把詩句拆分成 “標題 + 四句詩” 的結構。
2. 數據連接（Data Connection）：讓大模型 “讀” 外部數據
- 核心功能：
- 文檔加載器：支持讀取各種格式的文件 ——PDF、Word、TXT、Excel，甚至網頁、Notion、數據庫的數據；
- 文本分割器：把大文檔切成小片段（因為大模型有上下文長度限制），比如把一本 100 頁的 PDF 切成 500 字 / 段的小文本；
- 向量存儲與檢索：這是最核心的功能！把文本片段轉成向量（用 Embedding 模型），存到向量數據庫（比如 Chroma、FAISS），用户提問時，先檢索和問題最相關的文本片段，再傳給大模型回答 —— 這樣既保證回答準確，又避免 “胡説八道”。
- 白話例子：你想做一個 “公司內部文檔問答機器人”，用 LangChain 的 PDF 加載器讀取公司手冊，分割成小片段，轉成向量存起來；用户問 “年假怎麼休”，系統先檢索手冊裏關於 “年假” 的片段，再讓大模型基於這個片段回答，保證答案 100% 符合公司規定。
3. 鏈（Chains）：把組件串起來的 “流水線”
- 常見的鏈類型：
- LLMChain：最基礎的鏈 ——Prompt 模板 + 大模型 + 輸出解析器，比如 “生成古詩” 就用這個；
- RetrievalQA：檢索增強問答鏈 —— 文檔加載 → 分割 → 向量檢索 → 大模型回答，這是做 “文檔問答” 的標配鏈；
- SequentialChain：串行鏈 —— 把多個鏈串起來，比如 “先生成古詩 → 再把古詩翻譯成英文”。
- 白話例子：RetrievalQA 鏈的工作流程：
4. 記憶（Memory）：讓大模型有 “長期記憶”
- 常見的記憶類型：
- ConversationBufferMemory：簡單的 “緩衝區記憶”，把所有歷史對話都存起來，適合短對話；
- ConversationSummaryMemory：摘要記憶，把長對話總結成一句話存起來，節省上下文空間；
- VectorStoreRetrieverMemory：向量記憶，把歷史對話轉成向量，只檢索和當前問題相關的歷史內容。
- 白話例子：你和機器人聊：“我叫張三，喜歡打籃球” → 過了一會兒問 “我喜歡什麼運動”，帶 Memory 的機器人會回答 “你喜歡打籃球”；沒有 Memory 的機器人會説 “我不知道”。
5. 智能代理（Agents）：讓大模型 “自主幹活”
- 核心邏輯：
- 常用工具：搜索引擎（Google、Bing）、計算器、數據庫查詢、API 調用、代碼執行器（比如讓模型寫 Python 代碼算複雜數學題）。
- 白話例子：用户問 “幫我查一下蘋果公司最新的股價，再計算市盈率”，Agent 會：
6. 工具（Tools）：Agent 能調用的 “外掛”
- 內置工具舉例：
SerpAPI：調用搜索引擎查實時信息；Calculator：做數學計算；PythonREPL：執行 Python 代碼；SQLDatabaseToolkit：操作 SQL 數據庫。
三、LangChain 能做什麼？（典型應用場景）
四、快速上手：5 行代碼搭一個簡單的 RAG 問答
python
運行
# 1. 安裝 LangChain 相關包
# pip install langchain openai chromadb pypdf
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA
from langchain.llms import OpenAI
# 2. 加載 PDF 文檔
loader = PyPDFLoader("你的文檔.pdf")
documents = loader.load()
# 3. 分割成小文本片段
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
texts = text_splitter.split_documents(documents)
# 4. 轉成向量，存到 Chroma 向量庫
db = Chroma.from_documents(texts, OpenAIEmbeddings())
# 5. 搭建 RAG 鏈，開始問答
qa_chain = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="stuff", retriever=db.as_retriever())
print(qa_chain.run("你的問題是什麼？"))五、關鍵注意事項（避坑指南）
六、LangChain 家族成員
- LangChain Python：最核心的版本，功能最全；
- LangChain JS/TS：前端開發者用的版本，適合做瀏覽器或 Node.js 應用；
- LangChain Hub：Prompt 模板和鏈的共享平台，直接抄別人的優秀模板；
- LangSmith：LangChain 官方的調試和監控平台，幫你排查應用問題。
