news 2026/9/8 23:56:04

LangChain实战指南：从核心概念到RAG与Agent工程落地

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
LangChain实战指南：从核心概念到RAG与Agent工程落地

最近不少读者问我：LangChain 版本更新这么快，社区资料又杂，到底该怎么学才不踩坑？

这个问题问得很实在。我见过不少团队把 LangChain 当成“调用大模型的 HTTP 封装”来用，结果项目一复杂就发现到处都是坑：Prompt 拼装混乱、工具调用不稳定、RAG 检索结果差、Agent 经常陷入死循环。问题出在哪？大部分时候不是大模型不行，而是没理解 LangChain 的编排逻辑。

这篇教程我会从示例代码出发，讲清楚 LangChain 里最核心的几个概念，再落到可运行的企业项目实战思路。内容包括：Core 核心组件、LCEL 表达式语言、RAG 知识库问答、ReAct 模式与 Agent 中间件、MapReduce 长文本处理，以及 2025 年绕不开的 MCP 协议。

阅读之前先给你一个明确判断：LangChain 不是一个“模型调用工具”，而是一个“大模型应用编排框架”。你的学习重点应该放在 Chain（链）、Agent（代理）、Memory（记忆）、RAG（检索增强）这几个工程抽象上，而不是某个模型的 API 怎么调。

这篇文章适合哪些人？

  • 已经会调用大模型 API，但不知道怎么把 Prompt、知识库、外部工具组装成完整应用的开发者。
  • 正在做或准备做 RAG 知识库问答，但效果不理想，想系统梳理流程的人。
  • 想理解 Agent 和 ReAct 模式，但不清楚 LangChain 里 Agent 中间件如何工作的读者。
  • 想从示例跑到企业项目，需要知道常见问题和最佳实践的工程师。

1. LangChain 到底解决什么问题

先看一个真实场景。

假设你要做一个客服助手，让用户直接问“我的订单到哪了”。没有框架的时候，你要写多少代码？

  1. 定义一个 Prompt 模板，把用户问题塞进去。
  2. 调用大模型接口，拿到回答。
  3. 如果用户问“帮我查天气”，还要根据意图调用天气接口。
  4. 如果用户问“这个月报表分析一下”，你需要把数据库数据取出来，塞进 Prompt。
  5. 多轮对话还要手动维护历史消息列表。

这些问题本身不难，但组合在一起就变得繁琐。更关键的是，大模型应用通常不是“单次问答”，而是一个多步骤流程：理解意图、检索资料、调用工具、生成答案、格式化输出。每一步都会引入不确定性，而 LangChain 提供的就是一套把这些步骤串起来的标准方式。

画一条对比线：

  • 直接调 API：你关注的是 HTTP 请求、Token 消耗、输出解析。
  • 使用 LangChain：你关注的是数据怎么流转、工具怎么接入、异常怎么处理。

换句话说，LangChain 把“大模型对话”变成了“可编排的数据流”。它提供的不是某个特别强的模型能力，而是一套工程化框架，帮你统一管理 Prompt、模型、输出解析、记忆和工具。

还有个容易混淆的问题：LangChain 和 LangGraph 是什么关系？

简单说，LangGraph 是 LangChain 团队推出的下一代编排框架，更擅长构建有状态、有环、需要人工干预的复杂 Agent 应用。LangChain 经典 API 适合线性或简单分支流程，LangGraph 适合复杂的图结构流程。初学者建议先扎实掌握 LangChain 核心，再学 LangGraph，不要一上来就追新。

2. LangChain 核心概念与架构梳理

LangChain 发展到现在，模块划分已经发生了不小变化，尤其 0.1 之后到 0.3 这个阶段，接口和包名都在调整。但从学习角度，你可以把它分成几个核心抽象：

Model / Chat Model：也就是大模型封装。LangChain 支持 OpenAI、Anthropic、Google Gemini，以及国内常见的 OpenAI 兼容接口。只要模型提供 OpenAI 兼容的 HTTP 接口，就能接入。

Prompt Template：提示词模板。把固定的系统指令和动态的用户输入分开，避免每次都在代码里拼字符串。

Output Parser：输出解析器。把模型返回的文本解析成结构化数据，比如 JSON、Pydantic 对象、逗号分隔列表。LangChain 0.2 之后提供了with_structured_output这类更简洁的方式，底层依赖模型本身的 JSON 输出能力。

Memory：对话记忆。管理多轮对话中的历史消息，常见方案有ConversationBufferMemory、ConversationSummaryMemory等。不过在 LangChain 新版本中，官方越来越推荐直接把历史消息作为参数传入messages，而不是依赖 Memory 模块的隐式状态。

Chain / LCEL：链和表达式语言。LCEL（LangChain Expression Language）是 LangChain 推荐的链式编程语法，用|连接不同组件。

RAG：检索增强生成。先通过检索从外部知识库中找到相关资料，再把资料和问题一起交给模型生成答案。

Agent / Tool：智能体和工具。Agent 决定“调用哪个工具”“什么时候调用”，工具是 Agent 可以执行的外部函数。ReAct 是经典 Agent 实现之一，核心是“思考-行动-观察”循环。

Callback：回调机制。你可以在链执行过程中挂上回调，用来记录日志、追踪 Token 消耗、实现流式输出。

为了理解它们之间的关系，可以打个比方。LangChain 像一条自动化生产线：

  • 传送带是 LCEL 的|符号，负责把物料运到各工位。
  • Prompt Template 是产品设计图，规定产品长什么样。
  • Model 是核心加工机器，负责生成内容。
  • Output Parser 是质检员，检查产品是否符合规格。
  • Memory 是仓库，保存半成品和历史记录。
  • RAG 是外协供应商，从外部库调取原料。
  • Agent 是调度员，根据情况决定下一步让哪台机器工作。

3. 环境准备与 LangChain 安装

开始实操前，先准备环境。建议用 Python 3.10 以上版本，如果机器上没有，先装好 Python 并配置国内镜像源。

安装 LangChain 时要注意：官方现在把核心包拆开了。以前pip install langchain就够，现在很多功能需要单独安装对应包，比如langchain-openai、langchain-community、langchain-chroma。

下面给出一套相对完整的安装命令（版本请以实际环境为准，本文着重演示通用思路）：

# 创建虚拟环境 python -m venv langchain-demo source langchain-demo/bin/activate # Windows 下执行 langchain-demo\Scripts\activate # 安装核心包 pip install langchain langchain-openai langchain-community # 如果做 RAG，常用文档加载、切分、向量库相关包 pip install langchain-text-splitters chromadb pypdf # 如果做 Agent 结构化和工具调用，建议安装 pip install pydantic

接下来设置大模型 API Key。为了示例通用，我以 OpenAI 兼容接口为例。很多国内大模型服务也提供兼容接口，只需要替换base_url、api_key、model三处配置。

创建.env文件：

OPENAI_API_KEY=你的API_KEY OPENAI_API_BASE=https://你的兼容接口地址 OPENAI_MODEL_NAME=gpt-4o-mini

如果暂时没有 API Key，可以用一个假的 Key 先把代码流程跑通（会报鉴权错误，但能看到调用逻辑），也可以考虑本地模型方案，比如基于 llama.cpp 部署 Qwen 系列模型，用 OpenAI 兼容接口接入。

4. 第一个 LangChain 示例：从 Runnable 到 LCEL

4.1 基础模型调用

先写一个最简单的示例。新建demo_basic.py：

import os from langchain_openai import ChatOpenAI # 从环境变量读取配置 llm = ChatOpenAI( model=os.getenv("OPENAI_MODEL_NAME", "gpt-4o-mini"), temperature=0.7, ) response = llm.invoke("用一句话解释什么是 RAG") print(response.content)

这个示例做的事情很简单：调用模型并输出回答。注意llm.invoke()返回的不是字符串，而是一个AIMessage对象，所以要用.content拿到文本。

4.2 引入 Prompt Template

实际项目很少直接丢一个问题给模型，而是需要一套结构化提示词。改进一下：

from langchain_core.prompts import ChatPromptTemplate prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个资深 AI 技术专家，回答问题要简洁、准确、有逻辑。"), ("human", "请解释以下技术概念：{concept}"), ]) chain = prompt | llm result = chain.invoke({"concept": "LCEL"}) print(result.content)

这里的竖线|就是 LCEL 的核心语法，表示把 prompt 的输出传给 llm。LCEL 让链式调用看起来非常直观，也容易被优化执行。

4.3 加入输出解析

如果希望模型返回结构化 JSON，可以加一个输出解析器，或者直接用with_structured_output：

from langchain_core.pydantic_v1 import BaseModel, Field class TechConcept(BaseModel): name: str = Field(description="概念名称") definition: str = Field(description="定义") use_case: str = Field(description="使用场景") llm_with_structure = llm.with_structured_output(TechConcept) result = llm_with_structure.invoke( "介绍一下 ReAct 模式，包含名称、定义和使用场景" ) print(result.name) print(result.definition) print(result.use_case)

这个能力依赖大模型的 JSON 输出能力，不是所有模型都稳定。如果模型返回的 JSON 格式不规范，建议在 Prompt 中加强说明，或者增加重试机制。

到这里你就掌握了 LangChain 最基础的三个组装动作：Prompt 模板、模型调用、输出解析。这也是所有复杂应用的最小单元。

5. RAG 知识库问答完整示例

RAG 是 LangChain 里最常被提到的应用场景。它的目的是解决大模型“编造知识”的问题，在生成回答之前先从外部知识库检索相关内容，把检索结果作为参考材料发给模型。

5.1 RAG 完整流程

一个标准 RAG 流程包含以下步骤：

  1. 文档加载：读取 PDF、TXT、网页、Word 等文件。
  2. 文本分割：把长文档切分成 chunk，避免超出模型上下文窗口。
  3. 向量化：用 Embedding 模型把 chunk 转成向量。
  4. 存储：把向量保存到向量数据库（Chroma、FAISS、Milvus、PGVector 等）。
  5. 检索：用户提问时，把问题向量化，在数据库中做相似度检索。
  6. 增强生成：把检索到的 top-k 文档与用户问题组装成 Prompt，交给模型生成。

5.2 文档加载与分割

先看文档加载和分割的示例：

from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter # 假设你有一份 txt 文档 loader = TextLoader("help_docs.txt", encoding="utf-8") documents = loader.load() # 切分参数需要根据实际文档调整 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50, separators=["\n\n", "\n", "。", "！", "？", " ", ""] ) docs = text_splitter.split_documents(documents) print(f"切分后文档块数: {len(docs)}")

chunk_size和chunk_overlap是两个关键参数。chunk_size决定每块多大，chunk_overlap决定块与块之间重复多少内容。这里的坑是：如果分割太细，语义会被切断；如果分割太粗，检索精度下降。建议从 300-800 起步，根据模型上下文和业务场景调优。

5.3 向量化与存储

接着用向量数据库存储：

from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import Chroma # Embedding 模型 embeddings = OpenAIEmbeddings() # 创建并持久化向量库 vectorstore = Chroma.from_documents( documents=docs, embedding=embeddings, persist_directory="./chroma_db" ) print("向量库构建完成") # 检索测试 retriever = vectorstore.as_retriever(search_kwargs={"k": 3}) results = retriever.invoke("退换货的流程是什么") for doc in results: print(doc.page_content) print("----")

如果不需要持久化，可以不用persist_directory。但企业场景中一般都要做持久化，因为文档更新后不需要全量重建向量库。

5.4 组装 RAG 问答链

检索器准备好后，写一个完整的 RAG 问答链：

from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个企业知识库助手。请基于【参考资料】回答问题。如果资料中没有相关内容，明确回答不知道，不要编造。\n\n` "【参考资料】\n{context}"), ("human", "{question}"), ]) llm = ChatOpenAI() def format_docs(docs): return "\n\n".join([doc.page_content for doc in docs]) rag_chain = ( { "context": retriever | format_docs, "question": lambda x: x["question"] } | prompt | llm ) answer = rag_chain.invoke({"question": "退换货需要哪些条件？"}) print(answer.content)

这里有个值得注意的小技巧：retriever | format_docs表示先检索，再把结果拼成字符串。LCEL 的好处是你可以轻松在中间插入日志、重试、甚至替换检索器。

5.5 RAG 效果不理想怎么排查

RAG 项目做出来容易，做好很难。如果你的 RAG 问答效果差，按这个顺序排查：

  1. 召回不准：看检索返回的 top-k 文档里到底有没有正确答案。没有，问题出在切分策略或 Embedding 模型。
  2. 切分不合理：检查 chunk 是否截断了关键语义，尝试调整chunk_size和chunk_overlap。
  3. 提示词表达不清：把资料给模型时，要说清楚“以资料为准”，而不是让模型自由发挥。
  4. Embedding 模型与领域不匹配：中文场景建议评估中文 Embedding 模型，而不是直接使用默认英文模型。
  5. 上下文被无关信息污染：top-k 不要取太大，通常 3-5 即可。

6. Agent 与 ReAct 模式：让模型学会调用工具

LangChain 里 Agent 是另一个高频话题，也是最容易让人困惑的部分。

6.1 什么是 ReAct

ReAct 是 Reasoning + Acting 的缩写，核心思想是让模型在“推理”和“行动”之间循环：

  1. Thought（思考）：模型判断当前需要做什么。
  2. Action（行动）：选择一个工具并调用。
  3. Observation（观察）：查看工具返回结果。
  4. 重复以上过程，直到得出最终答案。

这种方式让大模型不只是在“生成文字”，而是变成了一个“能使用工具的决策器”。

6.2 定义一个简单工具并创建 Agent

下面用一个计算器工具演示 Agent 的完整流程。这里不依赖外部 API，你可以直接运行。

from langchain_openai import ChatOpenAI from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.tools import tool from langchain_core.prompts import ChatPromptTemplate # 1. 定义一个工具 @tool def calculate_expression(expression: str) -> str: """计算一个数学表达式的值，例如 '1 + 2 * 3'。""" try: # 注意：生产环境不要直接用 eval，这里仅用于演示简单工具调用 result = eval(expression) return str(result) except Exception as e: return f"计算失败: {str(e)}" # 2. 创建模型 llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 3. 创建 Agent prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个智能助手，可以调用工具来回答问题。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}"), ]) agent = create_tool_calling_agent(llm, [calculate_expression], prompt) agent_executor = AgentExecutor(agent=agent, tools=[calculate_expression], verbose=True) # 4. 运行 result = agent_executor.invoke({"input": "计算 (12 + 34) * 5 的结果"}) print(result["output"])

运行后你会看到 Agent 的思考过程和工具调用记录。这里有个重要提醒：eval在真实生产环境会引入任意代码执行风险，切勿直接用于线上。真实项目中应当使用ast解析、受限表达式引擎或专用计算库。

6.3 Agent 中间件的含义

“Agent 中间件”在实际项目中有两层含义：

第一层是Agent 与工具之间的适配层。Agent 需要理解哪些工具可用、工具参数怎么填、工具返回怎么处理，这层适配逻辑就是中间件。

第二层是Agent 与大模型之间的调度层。LangChain 里的 AgentExecutor、LangGraph 的状态图，都承担了调度职责。你可以在这一层做权限校验、流量控制、日志埋点、工具调用审计。

在企业项目里，我建议不要把 Agent 逻辑和大模型调用代码混在一起。应该单独封装一层 ToolService，让 Agent 只能通过这一层访问内部系统，避免模型直接调用任意内部接口。

6.4 什么场景适合 Agent

Agent 适合这些场景：

  • 用户指令不固定，需要动态决定调哪个工具。
  • 需要跨多个系统协作，比如查库存、下单、发通知。
  • 需要复杂多步推理的任务。

不适合的场景：

  • 高频低延迟的场景。Agent 推理会多次调用模型，延迟和成本明显更高。
  • 流程固定的场景。如果流程固定，直接写代码或用 Chain 更稳定、可维护。
  • 对安全要求极高，且不允许模型自主决策的工具调用场景。

7. MapReduce 在 LangChain 中的用法

MapReduce 在 LangChain 里主要用于长文本处理。大模型有上下文窗口限制，几万字的文档没办法一次性放进 Prompt，这时可以用 MapReduce 思路：

  1. Map 阶段：把文档切成多段，对每段分别做摘要或处理。
  2. Reduce 阶段：把所有段落摘要合并，再生成一个总摘要。

LangChain 早期版本提供load_summarize_chain和map_reduce_chain。新版本中，更灵活的方式是用 LCEL 自己组装一段 MapReduce 逻辑：

from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_text_splitters import RecursiveCharacterTextSplitter llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) # 假设有一篇长文 long_text = open("long_article.txt", encoding="utf-8").read() # 切分成块 splitter = RecursiveCharacterTextSplitter(chunk_size=2000, chunk_overlap=200) chunks = splitter.split_text(long_text) # Map 阶段：对每一块生成摘要 map_prompt = ChatPromptTemplate.from_messages([ ("system", "请用不超过100字概括以下内容："), ("human", "{text}"), ]) def map_summarize(text: str) -> str: chain = map_prompt | llm return chain.invoke({"text": text}).content summaries = [map_summarize(chunk) for chunk in chunks] # Reduce 阶段：合并摘要 reduce_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个总结专家，请基于以下分块摘要生成一份连贯的总摘要："), ("human", "{summaries}"), ]) final_chain = reduce_prompt | llm final_summary = final_chain.invoke({"summaries": "\n\n".join(summaries)}).content print(final_summary)

MapReduce 的要点是“分而治之”。如果段落之间逻辑依赖很强，直接切分可能丢失上下文。解决办法是可以加大chunk_overlap，或者在 Reduce 阶段把上一步摘要也补充进 Prompt。

8. MCP：模型上下文协议

MCP 是 2025 年前后 AI 应用领域最热门的关键词之一，它的全称是 Model Context Protocol，模型上下文协议。这个协议由 Anthropic 提出，目标是统一“AI 应用如何接入外部工具和数据源”的接口标准。

8.1 为什么需要 MCP

没有统一协议时，每个 AI 项目接入一个外部工具，都要写一套自定义适配代码。比如接数据库要写数据库插件，接设计工具要写设计工具插件，接代码仓库要写代码仓库插件。这些插件互相不通用，每个应用要重复实现一遍。

MCP 提供了一套标准：

  • 客户端（Client）：调用方的 AI 应用。
  • 服务端（Server）：暴露工具、数据源能力的独立服务。
  • 协议：定义了工具发现、调用、资源访问的消息格式。

引入 MCP 后，工具提供方只需要实现一次 MCP Server，所有支持 MCP 的客户端都能直接使用这个工具。

8.2 MCP 与 LangChain 的关系

MCP 和 LangChain 不是竞争关系。LangChain 是应用编排框架，MCP 是工具接入的开放协议。LangChain 可以支持 MCP 客户端，把它作为 Tool 的一种来源。

在企业项目里，更稳妥的做法是：用 MCP 标准化工具供给，用 LangChain/LangGraph 编排 Agent 逻辑。两者结合可以让“工具复用”和“Agent 调度”各司其职。

8.3 MCP 落地时的注意事项

如果你所在团队计划落地 MCP，有几个建议：

  • 先从标准化内部工具开始，比如数据库查询服务、运维脚本、内部 API，而不是一上来就接外部所有服务。
  • 对 MCP Server 做权限隔离。Agent 能调用哪些工具，必须由中间层控制，不能用模型自由调用全部工具。
  • 工具描述要写清楚。模型理解工具的主要依据是描述文本，描述越清晰，调用准确率越高。
  • MCP 的生态还在快速变化，建议保持版本关注，不要把所有逻辑都绑定在某个偏门实现上。

9. 企业项目中的常见问题与排查思路

把上面所有知识放到实际项目里，你会发现真正的问题往往不在代码语法，而在系统设计。下面列举我在 LangChain 工程落地中见过的高频问题，做成排查表供你参考。

问题现象可能原因排查方式解决方案
模型返回格式不稳定，解析失败模型 JSON 能力弱，或 Prompt 指令不明确打印原始输出，检查是否标准 JSON使用with_structured_output，或增加格式示例和重试逻辑
RAG 检索结果与问题无关chunk 切分不合理、Embedding 模型不匹配、检索 top-k 设置过大单独测试检索器返回的文档相关内容调整 chunk 大小、更换 Embedding 模型、缩小 top-k 范围
Agent 陷入多次工具调用循环模型未拿到足够信息、工具返回不明确、Prompt 没有限制调用轮次开启 verbose 日志，观察 Thought 和 Observation在提示词中加入最大轮次限制；在 AgentExecutor 层设置max_iterations
多轮对话丢失上下文没有正确维护历史消息检查传给模型的 messages 是否包含完整历史手动把历史消息加入 prompt，或使用合适的 Memory 实现
工具调用报错工具输入参数格式不对、工具内部异常未捕获查看工具返回的原始错误在工具函数内捕获异常，返回可读错误信息，避免 Agent 无法理解
流式输出失效回调函数未注册或使用了不支持流式的组件检查是否是 LCEL 链，是否注册了streaming回调统一使用 LCEL 链，注册on_llm_new_token回调
向量库数据过时，回答仍是旧内容文档更新后没有重新构建或增量更新向量库检查向量库中是否存在过期 chunk建立文档版本管理，每次更新后重新生成对应向量

这里的核心思路是：任何和模型相关的异常，都要先拿到原始输入和原始输出，再判断问题出在 Prompt、检索还是工具层。不要一上来就改代码，先把链路中的每一步打印出来。

10. 企业项目最佳实践与工程建议

最后这部分，是把 LangChain 从示例项目推到生产环境时必须考虑的内容。很多教程没讲这些，恰恰是它们最值钱的部分。

10.1 不要把 Prompt 散落在代码中

Prompt 应该集中管理，按业务模块拆分配置，而不是散落在各个 python 文件里。推荐的做法是用 YAML 或 JSON 文件维护 Prompt 模板，通过配置中心或版本管理工具管理。这样可以做到 Prompt 修改不重新发版。

一个简化的 prompt 配置文件示例：

# config/prompts/rag.yaml rag_system_prompt: | 你是一个严谨的知识库助手。 只基于【参考资料】回答，不要编造内容。 如果资料中没有答案，请直接回答“资料中未找到相关信息”。 rag_human_prompt: | 用户问题：{question} 参考资料： {context}

代码里通过yaml.safe_load读取即可。注意配置文件的读取要放在启动阶段，并做好异常处理。

10.2 给 Agent 工具调用设置边界

企业项目的 Agent 工具调用必须有边界：

  • 所有工具调用记录完整日志，包括工具名、入参、出参、耗时。
  • 高风险操作（删除、更新、发送消息）必须二次确认，不要直接让模型执行。
  • 为每个工具设置超时时间，避免 Agent 被外部接口拖死。
  • 根据用户身份控制工具可见范围，不同角色能看到不同工具列表。

这些内容看似和 LangChain 无关，但实际上决定了 Agent 能不能上线。

10.3 做好成本控制与性能优化

大模型应用的成本主要在 Token 消耗和调用延迟。以下几个实践经验很值得参考：

  • 对 RAG 检索到的文档做“相关性过滤”，只保留高分文档，减少 Token 浪费。
  • 对 Agent 设置最大迭代次数，防止模型反复调用工具导致成本飙升。
  • 对重复性问答场景增加缓存层，相同问题直接命中缓存。
  • 监控每个链路的 Token 消耗，建立基线，出现异常时能及时发现。

10.4 安全与合规注意

  • 不要在 Prompt 中写入系统内部账号密码、密钥、内部 IP。
  • 不要让人工智能应用直接访问生产数据库，接入时使用只读账号，并且限制数据范围。
  • 用户上传文档时要校验文件类型、大小、内容，防止恶意文件或注入提示词。
  • 对模型输出做内容合规检测，尤其是面向公众用户的应用。

10.5 版本管理与升级策略

LangChain 迭代速度很快，0.1、0.2、0.3 之间 API 都有变化。建议：

  • 使用明确的依赖版本锁定，不要使用langchain全家桶最新版而不锁定。
  • 升级前先看官方迁移文档，用测试环境跑通核心用例再升级。
  • 核心链路要做好单元测试和集成测试，尤其要测试 Prompt 变更对输出的影响。

11. 总结与下一步学习路线

这篇文章从一个实际开发痛点出发，把 LangChain 的核心概念、RAG、Agent、ReAct、MapReduce、MCP 和工程化实践串成了一整条学习线。你可以按照下面这个路线继续深入：

  1. 先把基础调用跑通：用本文第 4 节的代码，替换成你自己的模型配置，理解 Prompt、LLM、OutputParser 三件套。
  2. 做一个最小 RAG 项目：准备一份业务文档，按第 5 节的代码实现加载、切分、向量化、检索、问答，重点体会切分参数和检索质量的关系。
  3. 再用 Agent 做工具调用：按第 6 节的代码加入一个计算工具或查询工具，观察 ReAct 循环中的 Thought、Action、Observation。
  4. 然后研究 LangGraph：当你的流程出现分支、循环、人工确认这些复杂状态时，LangGraph 会比传统 AgentExecutor 更合适。
  5. 最后关注 MCP 生态：理解协议本身，把工具标准化，避免每个项目重复造轮子。

关于 LangChain 的学习，还有一个很重要的提醒：不要被版本更新带乱节奏。框架会变，API 会变，但 Chain、RAG、Agent 这套应用范式不会轻易过时。你真正要学会的，是“把大模型接入业务流程”的工程思维。代码示例可以复制，工程经验需要你在自己的项目里一点点踩出来。建议把本文收藏下来，做项目时回来对照检查。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/9/8 23:55:25

移动平均模型MA：用“意外”预测时间序列的量化利器

如果你刚开始接触量化交易里的时间序列建模，大概率会被“MA模型”这个词搞晕。技术分析里有 MA5、MA10 均线，AI 圈最近也天天聊模型量化（比如 INT8 压缩），而统计学里还有一个 Moving Average Model。同样是“MA”&…

作者头像 李华
网站建设 2026/9/5 14:41:24

长时程任务为何总翻车？Agent工程化闭环的四个技术瓶颈与解法

最近，投资人 Chamath 的一句评论在 AI 圈里传得很快：长时程任务仍是笑话，AI 将陷入幻灭低谷。这句话大概率会让不少正在做 Agent 产品的人感到冒犯，但稍微冷静一点，就会发现它戳中了当前 AI 应用最疼的地方。过去一年&…

作者头像 李华
网站建设 2026/9/6 10:16:22

交通灯检测未标注数据获取与利用：从数据集挖掘到伪标签训练

简介：本资源是面向计算机视觉与智能交通领域研究者的交通灯检测基础数据集，适用于目标检测模型训练、信号灯状态识别算法验证及CCF BDCI相关赛题备赛。数据集包含2000个原始采集样本，其中1997张JPG格式图像覆盖城市道路、交叉口、不同光照与天…

作者头像 李华
网站建设 2026/9/2 7:48:50

嵌入式C语言数据类型扩展：从stdint.h到volatile的确定性编程

很多从 PC 端 C 语言开发转嵌入式的人，都会在某个时刻遇到一种诡异的情况：代码在电脑上编译运行一点问题没有，放到单片机工程里就各种错乱。排查到最后，往往发现罪魁祸首不是逻辑，而是int类型。C 语言标准对int只给了一…

作者头像 李华
网站建设 2026/9/6 13:25:23

牛客五模编程题详解：校招笔试算法备战与刷题策略

2019年牛客第五次模拟考试的编程题集合，我到现在还有印象。那时候秋招刚进入白热化，身边同学人手一个牛客账号，每周模考雷打不动。五模这个场次比较特殊，它不像前几模那样偏重单一考点，而是把字符串处理、排序、动态规…

作者头像 李华
网站建设 2026/9/3 15:35:23

30张图，搞懂分布式追踪系统！

在微服务架构中，一次请求往往涉及到多个模块，多个中间件，多台机器的相互协作才能完成。这一系列调用请求中，有些是串行的，有些是并行的，那么如何确定这个请求背后调用了哪些应用，哪些模块&#…

作者头像 李华