LangChain 入门：安装、Quick Start 与设计哲学

这篇是整条学习线的起点文章。它保留了"先搭一个最小 Agent 看全貌"的视角，但我把它放在真正进入各组件之前，让它承担"先看全景图，再拆零件"的作用。

1. 介绍与安装#

LangChain 是一个用于构建LLM应用的开源开发框架，有Python和Java两种包，注重组合和模块化。利用LangChain，可以创造完全自定义的agents和LLM应用，可以在不到10行代码内连接到OpenAI、Anthropic、Google等。

关于它和LangGraph、Deep Agents的区别，也给的很详细，大概就是Deep Agents开箱即用；LangChain 代理构建在 LangGraph 之上，以提供持久执行、流媒体、人工干预、持久性等功能。基本使用 LangChain 代理不需要了解 LangGraph，只要需要深度自定义的时候才用LangGraph。

我们基于LangChain的官方文档进行学习。

先安装一下，然后LangChain说自己对许多LLM有融合，这些融合在独立的包中，所以我们安装一下对OpenAI的支持。

1
pip install -U langchain
2
pip install -U langchain-openai

2. 获得AI coding assistant#

官网提供了一个LangChain Docs MCP server来帮助你的agent获取最新文档，并提供一个LangChain Skills来帮你提高agent在LangChain ecosystem的表现。我正好有一个codex账号，平时用agent插件辅助编码，现在就接入试试。

首先按照官网提供的MCP地址，给codex配置，然后用prompt测试连接：

alt text

可以看到，已经成功连接到了LangChain Docs的API。

然后，我们依旧按照官网地址，给codex提供LangChain Skills。这个skill可以帮助搭建LangChain、LangGraph和Deep Agents。

npx是Node.js生态里的一个通用命令执行工具，用于直接运行npm包提供的命令。所谓Node.js是JavaScript程序的运行环境，npx skills可以运行一个叫skills的Node.js CLI工具。至于为什么不继续发布到Python的PyPI，主要还是因为JS还有一些自己的好处，我问了问AI总结如下：

alt text

总之，只要"support the Agent Skills specification"，也就是说agent支持标准的Agent规范，就可以用命令添加。Agent Skills的介绍如下：Agent Skills文档，这里按下不表，之后进行学习，不然就跑偏太远了。

1
npx skills add langchain-ai/langchain-skills --skill '*' --yes

这个命令实际上干了两件事：

临时拉取工具： npx 去网上临时下载了一个名叫 skills 的执行工具（这个工具被塞进了 ~/.npm/_npx 里）。
执行添加动作：这个 skills 工具运行了 add 命令，把 langchain-skills 添加到了你的当前工作目录下。

我们看看目录，果然多了一堆东西： alt text

总之，这个先这样，现在我们是把skills放在了当前目录下，在这里使用agent可以让它自己去读取。但是其实也可以放~/.agents/skills/一劳永逸，用这样的命令：

1
npx skills add langchain-ai/langchain-skills --skill '*' --agent codex -g

执行完这条，还默认给我装了Find Skills的Skill，我们检查文件如下： alt text

里面有点像说明书，暂时不展开，之后应该会细看。

3. 搭建一个基础Agent#

官网给的最小实例，好像是默认你装了OpenAI兼容包，设置了OpenAI的key，而且走官方路径。我们走的中转，环境变量也是在.env中，因此我们自己要设置一下：

Python3 点击展开代码

29 lines 展开代码

import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI

load_dotenv()

model = ChatOpenAI(
    model = "gpt-4o-mini",
    api_key=os.environ["QIHANG_API"],
    base_url=os.environ["QIHANG_BASE_URL"],    
)

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# Run the agent
result = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

print(result)

我们来看看原始输出的结果：

1
{
2
  "messages": [
3
    {
4
      "type": "HumanMessage",
5
      "content": "what is the weather in sf",
6
      "additional_kwargs": {},
7
      "response_metadata": {},
8
      "id": "11c974bc-3204-4e15-9391-40db1cd6c982"
9
    },
10
    {
11
      "type": "AIMessage",
12
      "content": "",
13
      "additional_kwargs": {
14
        "refusal": null
15
      },
16
      "response_metadata": {
17
        "token_usage": {
18
          "completion_tokens": 16,
19
          "prompt_tokens": 56,
20
          "total_tokens": 72,
21
          "completion_tokens_details": {
22
            "accepted_prediction_tokens": 0,
23
            "audio_tokens": 0,
24
            "reasoning_tokens": 0,
25
            "rejected_prediction_tokens": 0
26
          },
27
          "prompt_tokens_details": {
28
            "audio_tokens": 0,
29
            "cached_tokens": 0
30
          }
31
        },
32
        "model_provider": "openai",
33
        "model_name": "gpt-4o-mini-2024-07-18",
34
        "system_fingerprint": "fp_eb37e061ec",
35
        "id": "chatcmpl-DNMHzlR2RTmob84VvtgxHEcA2jWwF",
36
        "finish_reason": "tool_calls",
37
        "logprobs": null
38
      },
39
      "id": "lc_run--019d2608-a56b-7991-84f5-3a40addac2bb-0",
40
      "tool_calls": [
41
        {
42
          "name": "get_weather",
43
          "args": {
44
            "city": "San Francisco"
45
          },
46
          "id": "call_GHZls5pzrZTFanydz2VJANUb",
47
          "type": "tool_call"
48
        }
49
      ],
50
      "invalid_tool_calls": [],
51
      "usage_metadata": {
52
        "input_tokens": 56,
53
        "output_tokens": 16,
54
        "total_tokens": 72,
55
        "input_token_details": {
56
          "audio": 0,
57
          "cache_read": 0
58
        },
59
        "output_token_details": {
60
          "audio": 0,
61
          "reasoning": 0
62
        }
63
      }
64
    },
65
    {
66
      "type": "ToolMessage",
67
      "content": "It's always sunny in San Francisco!",
68
      "name": "get_weather",
69
      "id": "f84e1e0b-bf8b-4dcd-bdc2-cd9d40a7c1b2",
70
      "tool_call_id": "call_GHZls5pzrZTFanydz2VJANUb"
71
    },
72
    // 下面就是message列表的最后一项，AIMessage
73
    {
74
      "type": "AIMessage",
75
      "content": "The weather in San Francisco is currently sunny!",
76
      "additional_kwargs": {
77
        "refusal": null
78
      },
79
      "response_metadata": {
80
        "token_usage": {
81
          "completion_tokens": 11,
82
          "prompt_tokens": 86,
83
          "total_tokens": 97,
84
          "completion_tokens_details": {
85
            "accepted_prediction_tokens": 0,
86
            "audio_tokens": 0,
87
            "reasoning_tokens": 0,
88
            "rejected_prediction_tokens": 0
89
          },
90
          "prompt_tokens_details": {
91
            "audio_tokens": 0,
92
            "cached_tokens": 0
93
          }
94
        },
95
        "model_provider": "openai",
96
        "model_name": "gpt-4o-mini-2024-07-18",
97
        "system_fingerprint": "fp_eb37e061ec",
98
        "id": "chatcmpl-DNMI1dEwEqVRaNAX2FI8sUJXZl9nW",
99
        "service_tier": "default",
100
        "finish_reason": "stop",
101
        "logprobs": null
102
      },
103
      "id": "lc_run--019d2608-ae45-7a23-a3d7-79389811c5fc-0",
104
      "tool_calls": [],
105
      "invalid_tool_calls": [],
106
      "usage_metadata": {
107
        "input_tokens": 86,
108
        "output_tokens": 11,
109
        "total_tokens": 97,
110
        "input_token_details": {
111
          "audio": 0,
112
          "cache_read": 0
113
        },
114
        "output_token_details": {
115
          "audio": 0,
116
          "reasoning": 0
117
        }
118
      }
119
    }
120
  ]
121
}

这就是回复体啦，可以看到超级长一串。我们可以将其看为四部分：用户问题、模型判断是否调用工具、工具执行结果、模型基于工具结果的最终回答。我们这里是用了一个假工具告诉Agent总是晴天。

如果我们只想抽取回复，可以拿result["messages"][-1].content来打印，就拿到了AIMessage的content："The weather in San Francisco is currently sunny!"

4. 建立一个真实agent#

按照官网的build步骤，我们开始构建，这里同样构造一个天气agent（伪）。

(1) 定义prompt#

我们需要一段系统提示词，用于定义agent的角色和行为，需要保持specific和actionable。

1
# Step1 Defines the system prompt
2
SYSTEM_PROMPT = """
3
以下英文提示词，但是请用中文回答。
4
You are an expert weather forecaster, who speaks in puns.
5

6
You have access to two tools:
7

8
- get_weather_for_location: use this to get the weather for a specific location
9
- get_user_location: use this to get the user's location
10

11
If a user asks you for the weather, make sure you know the location. If you can tell from the question that they mean wherever they are, use the get_user_location tool to find their location.
12
"""

(2) 创建工具#

工具允许模型通过调用您定义的函数与外部系统交互。工具可以依赖于运行时上下文(runtiem context)，并与agent内存进行交互。

@tool是将一个Python函数注册成LangChain可调用的工具，并读取工具名、参数、描述（docstring说明文档，也就是函数上面那一段三引号内部内容）、返回值。@dataclass则是python标准库中的装饰器，表达"只装数据的类"，这样可以自动生成很多样板代码，比如__init__，你可以直接写ctx = Context(user_id="1")。。

官方文档：工具应有详细文档：它们的名称、描述和参数名称成为模型提示的一部分。LangChain 的 @tool 装饰器添加元数据，并通过 ToolRuntime 参数启用运行时注入。请在工具指南中了解更多。

Python3 点击展开代码

19 lines 展开代码

# Create tools
from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime

@tool
def get_weather_for_location(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always rainy in {city}!"

@dataclass
class Context:
    """Custom runtime context schema."""
    user_id: str

@tool
def get_user_location(runtime: ToolRuntime[Context]) -> str:
    """Retrieve user information based on user ID."""
    user_id = runtime.context.user_id
    return "Shanghai" if user_id == "1" else "Wuhan"

(3) 配置模型#

官网给出的方法，是通用对话模型的创建方法，它通过provider适配层+模型名规则识别，来走自动集成的配置。更推荐这么写，方便随时更换模型。我们在模型前面注明provider（不注明走自动判断）。

Python3 点击展开代码

15 lines 展开代码

## Configure your model
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()

model = init_chat_model(
    model = "openai:gpt-4o-mini",
    api_key=os.environ["QIHANG_API"],
    base_url=os.environ["QIHANG_BASE_URL"],
    temperature=0.5,
    timeout=10,
    max_tokens=1000,    
)

(4) 定义回复格式#

这是可选项，可以定义模型回复的格式。这里也明确说明了，除了dataclass，也可以用Pydantic来定义，LangChain只是需要一个结构化的schema。方便复习，所以我们之类就用Pydantic。

另外，其实所有dataclass都可以直接换成pydantic，比如Context。

Python3 点击展开代码

9 lines 展开代码

from pydantic import BaseModel, Field

class ResponseFormat(BaseModel):
    """Response schema for the agent."""
    punny_response: str = Field(description="必须给用户的俏皮回答")
    weather_conditions: str | None = Field(
        default=None,
        description="天气补充信息"
    )

(5) 添加记忆#

为agent添加记忆，以在交互之间保持状态。这使代理能够记住先前的对话和上下文。之后会专门来学习这个记忆模块，现在只做简单了解，把这个InMemorySaver传给Agent。

Python3 点击展开代码

4 lines 展开代码

# Add memory
from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

(6) 创建和运行agent#

把前面定义过的一些参数，传进create_agent里面，创建出agent。然后，再定义一个config，调用agent的invoke，传入对话、config和Context，就可以获得回答了。

Python3 点击展开代码

33 lines 展开代码

# Create and run the agent
from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy

agent = create_agent(
    model=model,
    system_prompt=SYSTEM_PROMPT,
    tools=[get_user_location, get_weather_for_location],
    context_schema=Context,
    response_format=ToolStrategy(ResponseFormat),
    checkpointer=checkpointer
)

# `thread_id` is a unique identifier for a given conversation.
config = {"configurable": {"thread_id": "1"}}

response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather outside?"}]},
    config=config,
    context=Context(user_id="1")
)

# print(response['structured_response'])


# Note that we can continue the conversation using the same `thread_id`.
response = agent.invoke(
    {"messages": [{"role": "user", "content": "thank you!"}]},
    config=config,
    context=Context(user_id="1")
)

print(response)

(7) 分析结果#

先看一下原始结果是啥样的，我们把直接print(response)整理成了json结果，大概是这样的：

1
{
2
  "messages": [
3
    {
4
      "type": "HumanMessage",
5
      "content": "what is the weather outside?",
6
      "additional_kwargs": {},
7
      "response_metadata": {},
8
      "id": "a0514473-c615-4362-826e-92ec42a63884"
9
    },
10
    {
11
      "type": "AIMessage",
12
      "content": "",
13
      "additional_kwargs": {
14
        "refusal": null
15
      },
16
      "response_metadata": {
17
        "token_usage": {
18
          "completion_tokens": 12,
19
          "prompt_tokens": 224,
20
          "total_tokens": 236,
21
          "completion_tokens_details": {
22
            "accepted_prediction_tokens": 0,
23
            "audio_tokens": 0,
24
            "reasoning_tokens": 0,
25
            "rejected_prediction_tokens": 0
26
          },
27
          "prompt_tokens_details": {
28
            "audio_tokens": 0,
29
            "cached_tokens": 0
30
          }
31
        },
32
        "model_provider": "openai",
33
        "model_name": "gpt-4o-mini-2024-07-18",
34
        "system_fingerprint": "fp_eb37e061ec",
35
        "id": "chatcmpl-DNYJbb2YC3bGBabU4cMChBtS8XzEB",
36
        "finish_reason": "tool_calls",
37
        "logprobs": null
38
      },
39
      "id": "lc_run--019d28c9-ddd4-7f83-9f16-b9a82cc51a0e-0",
40
      "tool_calls": [
41
        {
42
          "name": "get_user_location",
43
          "args": {},
44
          "id": "call_Yc265lCmfCTiSFb0ywzfbZeX",
45
          "type": "tool_call"
46
        }
47
      ],
48
      "invalid_tool_calls": [],
49
      "usage_metadata": {
50
        "input_tokens": 224,
51
        "output_tokens": 12,
52
        "total_tokens": 236,
53
        "input_token_details": {
54
          "audio": 0,
55
          "cache_read": 0
56
        },
57
        "output_token_details": {
58
          "audio": 0,
59
          "reasoning": 0
60
        }
61
      }
62
    },
63
    {
64
      "type": "ToolMessage",
65
      "content": "Shanghai",
66
      "name": "get_user_location",
67
      "id": "6eb3e154-d329-4497-aa2b-e6ea8803c91b",
68
      "tool_call_id": "call_Yc265lCmfCTiSFb0ywzfbZeX"
69
    },
70
    {
71
      "type": "AIMessage",
72
      "content": "",
73
      "additional_kwargs": {
74
        "refusal": null
75
      },
76
      "response_metadata": {
77
        "token_usage": {
78
          "completion_tokens": 17,
79
          "prompt_tokens": 244,
80
          "total_tokens": 261,
81
          "completion_tokens_details": {
82
            "accepted_prediction_tokens": 0,
83
            "audio_tokens": 0,
84
            "reasoning_tokens": 0,
85
            "rejected_prediction_tokens": 0
86
          },
87
          "prompt_tokens_details": {
88
            "audio_tokens": 0,
89
            "cached_tokens": 0
90
          }
91
        },
92
        "model_provider": "openai",
93
        "model_name": "gpt-4o-mini",
94
        "system_fingerprint": "fp_eb37e061ec",
95
        "id": "chatcmpl-DNYJel8PrtJkiYfONkB1Le1TPWQuS",
96
        "finish_reason": "tool_calls",
97
        "logprobs": null
98
      },
99
      "id": "lc_run--019d28ca-1321-7231-a3b3-0ca73eb8e4a8-0",
100
      "tool_calls": [
101
        {
102
          "name": "get_weather_for_location",
103
          "args": {
104
            "city": "Shanghai"
105
          },
106
          "id": "call_DuMTODUFSuEZyeC6feJl1q8b",
107
          "type": "tool_call"
108
        }
109
      ],
110
      "invalid_tool_calls": [],
111
      "usage_metadata": {
112
        "input_tokens": 244,
113
        "output_tokens": 17,
114
        "total_tokens": 261,
115
        "input_token_details": {
116
          "audio": 0,
117
          "cache_read": 0
118
        },
119
        "output_token_details": {
120
          "audio": 0,
121
          "reasoning": 0
122
        }
123
      }
124
    },
125
    {
126
      "type": "ToolMessage",
127
      "content": "It's always rainy in Shanghai!",
128
      "name": "get_weather_for_location",
129
      "id": "131320f4-c2c5-4bba-b153-cfdc1a3d3a38",
130
      "tool_call_id": "call_DuMTODUFSuEZyeC6feJl1q8b"
131
    },
132
    {
133
      "type": "AIMessage",
134
      "content": "",
135
      "additional_kwargs": {
136
        "refusal": null
137
      },
138
      "response_metadata": {
139
        "token_usage": {
140
          "completion_tokens": 46,
141
          "prompt_tokens": 277,
142
          "total_tokens": 323,
143
          "completion_tokens_details": {
144
            "accepted_prediction_tokens": 0,
145
            "audio_tokens": 0,
146
            "reasoning_tokens": 0,
147
            "rejected_prediction_tokens": 0
148
          },
149
          "prompt_tokens_details": {
150
            "audio_tokens": 0,
151
            "cached_tokens": 0
152
          }
153
        },
154
        "model_provider": "openai",
155
        "model_name": "gpt-4o-mini-2024-07-18",
156
        "system_fingerprint": "fp_eb37e061ec",
157
        "id": "chatcmpl-DNYJfkI8eMkpScdEUDH2VweZJ8j8J",
158
        "finish_reason": "tool_calls",
159
        "logprobs": null
160
      },
161
      "id": "lc_run--019d28ca-1b81-7e02-b17a-7cc074ac7645-0",
162
      "tool_calls": [
163
        {
164
          "name": "ResponseFormat",
165
          "args": {
166
            "weather_conditions": "多雨",
167
            "punny_response": "上海的天气真是让人\"水\"深火热，今天又是个\"下雨天\"！"
168
          },
169
          "id": "call_PzZ5A1CewBlCZFBO60f7AeXs",
170
          "type": "tool_call"
171
        }
172
      ],
173
      "invalid_tool_calls": [],
174
      "usage_metadata": {
175
        "input_tokens": 277,
176
        "output_tokens": 46,
177
        "total_tokens": 323,
178
        "input_token_details": {
179
          "audio": 0,
180
          "cache_read": 0
181
        },
182
        "output_token_details": {
183
          "audio": 0,
184
          "reasoning": 0
185
        }
186
      }
187
    },
188
    {
189
      "type": "ToolMessage",
190
      "content": "Returning structured response: punny_response='上海的天气真是让人\"水\"深火热，今天又是个\"下雨天\"！' weather_conditions='多雨'",
191
      "name": "ResponseFormat",
192
      "id": "dbdac10f-0c98-40d7-b688-1f69908b1136",
193
      "tool_call_id": "call_PzZ5A1CewBlCZFBO60f7AeXs"
194
    },
195
    {
196
      "type": "HumanMessage",
197
      "content": "thank you!",
198
      "additional_kwargs": {},
199
      "response_metadata": {},
200
      "id": "5b17ed89-3b4e-423f-a0f1-44fac7029215"
201
    },
202
    {
203
      "type": "AIMessage",
204
      "content": "",
205
      "additional_kwargs": {
206
        "refusal": null
207
      },
208
      "response_metadata": {
209
        "token_usage": {
210
          "completion_tokens": 45,
211
          "prompt_tokens": 375,
212
          "total_tokens": 420,
213
          "completion_tokens_details": {
214
            "accepted_prediction_tokens": 0,
215
            "audio_tokens": 0,
216
            "reasoning_tokens": 0,
217
            "rejected_prediction_tokens": 0
218
          },
219
          "prompt_tokens_details": {
220
            "audio_tokens": 0,
221
            "cached_tokens": 0
222
          }
223
        },
224
        "model_provider": "openai",
225
        "model_name": "gpt-4o-mini",
226
        "system_fingerprint": "fp_eb37e061ec",
227
        "id": "chatcmpl-DNYJhKUMQBmPsNDE56FyIE4yZ1fPY",
228
        "finish_reason": "tool_calls",
229
        "logprobs": null
230
      },
231
      "id": "lc_run--019d28ca-21e5-7812-86af-c7556b1cd64c-0",
232
      "tool_calls": [
233
        {
234
          "name": "ResponseFormat",
235
          "args": {
236
            "punny_response": "不客气，\"天气\"如人心，\"风\"云变幻！希望你有个\"晴\"朗的一天！"
237
          },
238
          "id": "call_OjxJ1IqfxM4zzzABiNUTwE1E",
239
          "type": "tool_call"
240
        }
241
      ],
242
      "invalid_tool_calls": [],
243
      "usage_metadata": {
244
        "input_tokens": 375,
245
        "output_tokens": 45,
246
        "total_tokens": 420,
247
        "input_token_details": {
248
          "audio": 0,
249
          "cache_read": 0
250
        },
251
        "output_token_details": {
252
          "audio": 0,
253
          "reasoning": 0
254
        }
255
      }
256
    },
257
    {
258
      "type": "ToolMessage",
259
      "content": "Returning structured response: punny_response='不客气，\"天气\"如人心，\"风\"云变幻！希望你有个\"晴\"朗的一天！' weather_conditions=None",
260
      "name": "ResponseFormat",
261
      "id": "0ed7a498-f2ae-4bee-8531-77181a3c51ee",
262
      "tool_call_id": "call_OjxJ1IqfxM4zzzABiNUTwE1E"
263
    }
264
  ],
265
  "structured_response": {
266
    "type": "ResponseFormat",
267
    "punny_response": "不客气，\"天气\"如人心，\"风\"云变幻！希望你有个\"晴\"朗的一天！",
268
    "weather_conditions": null
269
  }
270
}

好，其实一路看下来还是比较清晰的结果。注意几个点：

因为写了response_format=ToolStrategy(ResponseFormat)，所以LangChain为了拿到结构化输出，把这个schema包装成了类似工具调用的内部步骤。
打印response不只是本轮新增内容，而是整个thread的当前状态。我们发送了一个问天气的消息，又发送了一个thank you，最后会打印整个线程所有对话。
ResponseFormat里面的description，不仅仅是给人看的主食，也参与到模型结构化输出约束中。它跟system_prompt的起效层级不一样，约束力没那么强硬，算是进一步引导。

当然，我们可以指定字段，防止输出这么一长串有点傻的东西。我们用response['structured_response']

alt text

注意到这里其实有个警告，"正在从 checkpoint 反序列化一个未注册的类型 __main__.ResponseFormat。"，未来的版本或许不允许这样用。意思是如果确认这个类型是安全且允许回复，要加入 allowed_msgpack_modules 白名单。

消除这个警告的方法也很简单，将ResponseFormat放大单独的模块中，比如就叫schemas.py，然后再导包进来，这样就不是__main__.ResponseFormat而是schemas.ResponseFormat了。

5. 设计哲学#

在此界面提了一下，我这里简单概述一下。

这一页不是在教具体 API 怎么写，而是在解释 LangChain 想成为什么样的框架，以及它为什么这样设计。

官方的核心意思可以概括为：LangChain 想成为"构建带上下文能力和推理能力的应用的最简单方式"。这里说的不是只调用一次模型，而是构建完整应用，让模型能读上下文、调工具、输出结构化结果，并在真实项目中持续运行。

(1) 从简单开始，但可以扩展到复杂应用#

LangChain 希望开发者一开始就能用很少的代码搭起一个能运行的 agent 或 LLM 应用，而不是先学习大量底层细节。但它又不想只适合 demo，因此同一套框架要能继续扩展到更复杂的生产场景。

我的理解是：

入门时可以先用高层封装快速起步
后面需求变复杂时，不需要整套推倒重来
可以逐步加入工具、结构化输出、记忆、检索和工作流

(2) 提供高层抽象，但不要把开发者困在黑盒里#

LangChain 的哲学不是"把一切都藏起来"，而是默认给你高层接口来提升开发效率，同时保留足够的可控性。

所以它的思路通常是：

常见任务给出简单接口
复杂需求允许向下深入
当高层抽象不够时，可以转向 LangGraph 做更细粒度的编排

也就是说，LangChain 追求的是"默认简单，但不牺牲控制力"。

(3) 设计重点是现实中的 agent 应用#

LangChain 关注的不是孤立的一次 prompt 调用，而是一个真实 AI 应用从输入到输出的完整过程。例如：

如何连接不同模型提供商
如何让模型调用工具
如何管理上下文
如何拿到结构化输出
如何调试和观测 agent 的行为

因此它很多设计都围绕"让 agent 应用真正可用"展开，而不是只服务于演示性质的 prompt 实验。

(4) 尽量与具体模型提供商解耦#

LangChain 希望应用逻辑不要被某一家模型提供商强绑定。也就是说，如果底层模型从 OpenAI 换成 Anthropic、Google 等，开发者最好还能保留大部分上层逻辑。

这也是为什么文档里会不断强调：

统一的模型初始化方式
统一的消息接口
统一的工具调用模式

它想减少"换模型就重写程序"的成本。

(5) 重视生产可用性，而不只是能跑#

LangChain 的目标不是"代码能执行一次就行"，而是希望它能走向真实项目。所以它会特别重视：

tracing
observability
debugging
structured output
与 LangSmith / LangGraph 的协作

也就是说，一个应用不仅要能回答问题，还应该能被追踪、分析、调试和维护。

(6) LangChain 和 LangGraph 的关系#

从设计哲学上看，LangChain 更偏向"让构建 agent 更容易"，而 LangGraph 更偏向"提供底层运行时和编排能力"。

可以这样理解：

LangChain：高层、上手快、常见场景更省心
LangGraph：底层、可控性更强、适合复杂流程

所以官方常见的建议是：先从 LangChain 入门，当需求需要更复杂的控制时，再下沉到 LangGraph。

(7) 我的总结#

这页 Philosophy 本质上是在告诉读者：

LangChain 不只是模型调用封装
它更像一个 AI 应用框架
它强调易用性，但不想把开发者锁死在黑盒里
它的很多抽象，都是为了让应用可以从 demo 平滑过渡到真实项目

1. 介绍与安装#

2. 获得AI coding assistant#

3. 搭建一个基础Agent#

4. 建立一个真实agent#

(1) 定义prompt#

(2) 创建工具#

(3) 配置模型#

(4) 定义回复格式#

(5) 添加记忆#

(6) 创建和运行agent#

(7) 分析结果#

5. 设计哲学#

(1) 从简单开始，但可以扩展到复杂应用#

(2) 提供高层抽象，但不要把开发者困在黑盒里#

(3) 设计重点是现实中的 agent 应用#

(4) 尽量与具体模型提供商解耦#

(5) 重视生产可用性，而不只是能跑#

(6) LangChain 和 LangGraph 的关系#

(7) 我的总结#

LangChain

留言

文章目录