LangChain 介绍

AI AI、LangChain、大模型

创建时间:2026-07-21 22:34

阅读:

LangChain 简介
一、什么是 LangChain
二、六大核心模块
三、主流落地应用场景

LangChain 简介

LangChain 是一个用于构建大语言模型（LLM）应用的 Python 框架。
LangChain 提供统一的接口来连接各种 AI 模型，并支持构建能够自动调用工具、检索知识、记住上下文的智能 Agent。

一、什么是 LangChain

LangChain 是 2022 年诞生、如今全球热度最高的开源 LLM 应用开发框架，支持 Python、JavaScript 双语言，可以把大模型、私有文档、向量数据库、第三方工具、对话记忆拼接成完整 AI 业务流程。

大模型本身存在短板：没有长期记忆、无法读取本地文件、不能联网、不会自主执行任务
LangChain 通过模块化组件补齐全部短板，开发者只需要组装组件即可快速搭建 RAG 知识库、智能体、AI 自动化工具、智能客服

简单来说，LangChain 解决了一个核心问题：让大语言模型能够与外部世界交互。
原生的 LLM 只能根据训练数据生成文本。但实际应用中，我们需要 AI 能够查询数据库、调用 API、搜索文档、发送邮件。
LangChain 提供了一套标准化的组件来串联这些能力。

二、六大核心模块

1. Models｜模型

作用：连接大语言模型

功能：提供统一接口对接市面上所有大模型，不管是云端 API，还是 Ollama 部署在本机的开源模型，一套标准代码即可完成调用，后期切换模型不需要大规模改动业务代码。

2. Prompt ｜提示词模板

作用：管理 Prompt 模板

功能：Prompt 参数化、模板复用

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=["knowledge","question"],
    template="你只能根据下面知识库回答用户问题：{knowledge}\n用户提问：{question}"
)

后续只需要传入知识库文本和用户问题，自动生成规范提示词，统一约束 AI 回答规则。

3. Memory｜对话记忆

作用：实现上下文记忆，让 AI 记住你上一轮的聊天内容

功能：

保存聊天历史
长期记忆
对话状态管理

4. Chains｜任务链路

作用：组合多个组件形成工作流，链就是把多个步骤串联成一条工作流水线。

一条标准 RAG 链路流程：
用户提问 → 问题向量化 → 向量库检索相关文档 → 拼装提示词 → 调用大模型 → 解析结果返回用户

通过 Chain 可以一键串联整套流程，也是日常开发最常使用的功能。

5. Retrieval｜文档索引系统（RAG 核心）

作用：从外部知识库检索相关信息，增强 LLM 回答

6. Agents｜AI 智能体

作用：赋予大模型自主思考、自主选择工具的能力。AI 可以自动判断什么时候调用浏览器、搜索引擎、计算器、服务器脚本、Playwright 自动化脚本，自主规划步骤完成复杂任务，也是当下热门 AI‑Agent 的底层实现。

三、主流落地应用场景

1. RAG 私有知识库问答（最成熟、最常用）

上传产品手册、技术文档、笔记、合同法条，AI 只基于你的资料作答，解决大模型幻觉问题。
程序员可搭建接口文档问答助手；职场人搭建报告知识库；律所搭建法条检索机器人。
流程：用户提问 → 检索相关文档 → 拼接提示词 → LLM 生成回答

2. 多轮对话智能客服、私人助手

依靠 Memory 上下文记忆，实现连续聊天、业务查询、工单处理。
流程：用户问题 → 意图识别 → 检索 FAQ → 生成个性化回答

3. Agent 自动化工作流

AI 自动操作浏览器、爬虫抓取网页、查询服务器信息、数据分析，也就是你之前了解的 AI‑UI 自动化测试，就可以基于 LangChain+Playwright 实现。

4. 文本流水线工具

文案生成、简历优化、代码解释、PDF 批量总结、邮件自动处理。

5. 垂直行业 AI 系统

教育刷题助手、制造业设备故障问答、医疗资料检索、电商私域 AI 运营机器人

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。