LangChain 框架

LangChain（Language + Chain）是目前最流行的 LLM 应用开发框架，提供从 Prompt 模板到 Agent 编排的完整模块化工具链。

四层架构


flowchart TD

    subgraph Top["高层封装"]

        LC["langchain<br/>Agent 高层 API、传统 Chain 的 LCEL 替代版"]

    end

    subgraph Core["底层抽象"]

        CC["langchain-core<br/>PromptTemplate、Runnable 接口、OutputParser"]

    end

    subgraph Provider["Provider 包"]

        LO["langchain-openai<br/>ChatOpenAI（每个厂商独立包）"]

        LCM["langchain-community<br/>第三方集成：向量库、文档加载"]

    end

    subgraph Graph["图编排"]

        LG["langgraph<br/>有状态多步骤工作流"]

    end

    CC --> Top

    LO --> CC

    LCM --> CC

    Top --> LG

包	职责	必装
`langchain-core`	Prompt 模板、LCEL 管道、Output Parser	✅
`langchain`	高层 Agent 工具	🟡
`langchain-openai`	ChatOpenAI 统一接口	✅
`langchain-community`	向量库、文档加载器（按需）	❌
`langgraph`	复杂 Agent 工作流（进阶）	❌

导入路径：1.x 必须从 langchain_openai / langchain_core 导入，from langchain import ChatOpenAI 在逐步废弃。

核心概念

1. Models — 统一模型接口

 
from langchain_openai import ChatOpenAI
 
model = ChatOpenAI(model="gpt-4", temperature=0.0)
 
response = model.invoke("你好")        # → AIMessage

模型类型	说明
Chat Model	对话模型（主推）— GPT-4、Claude、DeepSeek
LLM	文本补全模型（旧）— text-davinci
Embedding	文本向量化 — OpenAI Embedding、BGE

2. Prompt Templates — 声明式模板

三种模板类型：

类型	用途	示例
`PromptTemplate`	单条消息模板	`"总结：{text}"`
`ChatPromptTemplate`	多角色对话模板	`("system","你是{role}"), ("user","{q}")`
`MessagesPlaceholder`	插入历史消息列表	`MessagesPlaceholder(variable_name="history")`

关键规则：模板用 {占位符} 定义，invoke() 时才注入值，禁止在模板定义时用 f-string 写死变量。

3. LCEL 管道 — LangChain 的灵魂

LCEL（LangChain Expression Language）用 | 运算符把组件串成链。

 
chain = prompt | model | parser
 
result = chain.invoke({"topic": "量子计算"})
 
# 同步 → invoke | 异步 → ainvoke | 流式 → astream

每个组件都是 Runnable（统一 .invoke() 接口），| 做的事 = 把左边输出传给右边的 .invoke()。

LCEL 优势：

特性	说明
声明式	清晰表达数据流
自动流式	一行 `.astream()` 即支持
并行执行	自动识别可并行步骤
异步原生	原生 async/await
可重试	内置重试和回退

管道分叉 — RunnablePassthrough：

 
chain = {
 
    "question": RunnablePassthrough(),      # 原样透传
 
    "answer": prompt | model | parser       # 管道结果
 
}
 
# → {"question": "...", "answer": "..."}

这是 RAG 的标准模式：{"context": retriever, "question": RunnablePassthrough()}。

插入自定义逻辑 — RunnableLambda：

 
chain = prompt | model | parser | RunnableLambda(lambda x: x.upper())

4. Output Parsers — 结构化输出

Parser	输出类型	适用场景
`StrOutputParser`	`str`	纯文本输出
`JsonOutputParser`	`dict`	JSON 格式
`PydanticOutputParser`	Pydantic 对象	生产级（类型安全 + 自动校验）

PydanticOutputParser 必知：

定义 Pydantic model（每个字段 Field(description=...)）
调用 parser.get_format_instructions() → 自动生成格式指令注入 Prompt
输出直接是类型安全的 Pydantic 对象

5. Memory — 对话记忆

类型	策略	适用场景
ConversationBufferMemory	完整对话历史	短对话
ConversationSummaryMemory	摘要压缩	长对话
ConversationBufferWindowMemory	滑动窗口（最近 N 轮）	中等长度
ConversationEntityMemory	实体级记忆	需记住特定实体
VectorStoreRetrieverMemory	向量检索	语义检索历史

6. Retrievers — 检索接口

 
# 向量检索
 
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
 
# 混合检索
 
retriever = EnsembleRetriever(
 
    retrievers=[bm25_retriever, vector_retriever],
 
    weights=[0.3, 0.7]
 
)

7. Document Loaders & Text Splitters

加载器	格式	分块器	策略
PyPDFLoader	PDF	RecursiveCharacterTextSplitter	最常用，按字符递归分块
WebBaseLoader	网页	CharacterTextSplitter	按固定字符
DirectoryLoader	批量	TokenTextSplitter	按 Token 数
CSVLoader	CSV	MarkdownHeaderTextSplitter	按 Markdown 标题

LangGraph — 图工作流引擎

LangGraph 是 LangChain 的扩展，用有向图构建有状态的多步骤工作流。

 
from langgraph.graph import StateGraph
 
class AgentState(TypedDict):
 
    messages: list
 
    next_action: str
 
graph = StateGraph(AgentState)
 
graph.add_node("reason", reason_node)
 
graph.add_node("act", action_node)
 
graph.add_edge("reason", "act")
 
graph.add_conditional_edges("act", should_continue)
 
app = graph.compile()

LangGraph vs 传统 Chain：

	传统 Chain	LangGraph
流程结构	线性顺序	有向图（DAG）
循环/分支	❌ 不支持	✅ 条件边、循环
状态管理	无	✅ 共享 State + Reducer
断点续跑	❌	✅ Checkpointer
人工介入	❌	✅ Human-in-the-loop

常见错误（常见）

 
# ❌ 管道顺序反了
 
chain = model | prompt | parser  # TypeError
 
# ❌ 变量名不匹配
 
prompt = ChatPromptTemplate.from_messages([("user","我叫{name}")])
 
prompt.invoke({"username": "张三"})  # KeyError
 
# ❌ 模板定义时用 f-string 写死变量
 
prompt = ChatPromptTemplate.from_messages([
 
    ("system", f"你是{role}专家")  # 定义时就写死了！
 
])
 
# ❌ Pydantic Field description 不清晰
 
class Person(BaseModel):
 
    skills: list[str] = Field(description="技能列表")  # 太模糊
 
# ✅ 正确
 
class Person(BaseModel):
 
    skills: list[str] = Field(description="技术技能如 Python、React")

快速问答

问题	参考答案
LangChain 的核心组件有哪些？	Models（统一模型接口）、Prompt Templates（声明式模板）、LCEL（管道编排）、Output Parsers（结构化输出）、Memory（记忆管理）、Retrievers（检索）、Document Loaders（加载）、Agents（智能体）、LangGraph（图工作流）
LCEL 是什么？有什么优势？	LangChain Expression Language，用管道符（`pipe`）声明式构建链。优势：① 自动流式/异步 ② 并行执行 ③ 可重试 ④ 组件统一 Runnable 接口 ⑤ 一行切换 invoke/ainvoke/astream
Runnable 接口的作用？	所有组件统一实现 `.invoke()` 方法，管道符本质是自动串联各组件的 invoke 调用。类似”插座标准”，任何实现 Runnable 的组件都能接入管道
ChatPromptTemplate vs PromptTemplate 区别？	PromptTemplate = 单条文本模板；ChatPromptTemplate = 多角色对话模板（system/user/assistant 区分）。Chat 模型永远用后者，MessagesPlaceholder 用于插入历史消息
PydanticOutputParser 为什么比 JsonOutputParser 更适合生产？	① 自动生成格式指令注入 Prompt ② 自动校验输出（类型错误时抛出明确异常）③ 输出为类型安全的 Pydantic 对象（IDE 补全 + 运行时校验）④ 减少 json.loads + try/except + 正则救火的体力活
LangChain 有哪些 Memory 类型？	BufferMemory（完整历史）、SummaryMemory（摘要压缩）、WindowMemory（滑动窗口）、EntityMemory（实体级）、VectorStoreRetrieverMemory（向量检索）。加分：说出各自的适用场景和 Tradeoff
LangGraph 解决了传统 Chain 什么问题？	传统 Chain 线性执行，不支持循环、分支和状态管理。LangGraph 基于有向图，支持：① 条件边和循环（Agent 的典型模式）② 共享状态 + Reducer ③ Checkpointer 断点续跑 ④ Human-in-the-loop
如何用 LangChain 构建 RAG？	DocumentLoader 加载 → TextSplitter 分块 → Embedding 向量化 → VectorStore 存储 → Retriever 检索 → 注入上下文 + 问题到 Prompt → Model → Parser。核心模式：`{context: retriever, question: input}
LangChain 的主要缺点？	① 抽象层过多，深层调用链难调试 ② 版本迭代快（0.x→1.x API 大改），兼容性差 ③ 过度封装，简单任务也引入大量依赖 ④ 文档更新滞后于代码 ⑤ 自定义逻辑需要 RunnableLambda/Decorator，增加了心智负担
langchain 0.x 和 1.x 的核心区别？	0.x 用 `LLMChain` 类继承、`from langchain import...` 导入；1.x 包拆分（langchain-core/langchain-openai），LCEL 取代传统 Chain，导入路径变更为 `from langchain_openai` / `from langchain_core`
LCEL 管道里如何做条件分支？	LCEL 本身是线性管道不支持条件分支，需配合 LangGraph 的 `add_conditional_edges` 实现。分支逻辑写在路由函数里，返回下一个节点的名称
RunnablePassthrough 在 RAG 里的作用？	原样透传用户输入到最终输出。RAG 中常见模式：`{context: retriever, question: RunnablePassthrough()}`，retriever 检索上下文，question 原样传给 Prompt 模板，互不干扰
LangSmith 是什么？	LangChain 的商业平台，提供调试追踪（观察每一步的输入输出 + 延迟 + Token 消耗）、在线评估、回归测试、Prompt 版本管理。核心价值：解决 LLM 应用”黑盒”问题
Agent 在 LangChain 里的实现？	`create_tool_calling_agent(llm, tools, prompt)` 创建 Agent，配合 `AgentExecutor` 执行。核心循环：LLM 决定调用哪个 Tool → 执行 Tool 返回结果 → LLM 判断是否继续 → 直到满足条件或达到最大轮次
为什么 LCEL 能自动流式？	每个组件实现 Runnable 协议中的 `astream` 方法，管道串联时自动逐层传递流式迭代器。模型组件支持 token 级别流式，解析器组件逐 chunk 处理，最终 `chain.astream()` 拿到流式输出

速记卡（面试闪卡）

Q1：一句话讲清「LangChain 框架」到底是什么？

A：LangChain 是套给 LLM 应用搭积木的模块化工具链，统一 Prompt、模型、解析、记忆等零件。

Q2：四层架构 —— 怎么理解？

A：1.x 拆成职责清晰包：langchain-core 是地基(提供 Prompt 模板、Runnable 接口、Output Parser，必装)；langchain-openai 这类 provider 给各厂商统一接口(必装)；langchain 高层 Agent 编排(按需)；community 第三方集成(按需)；langgraph 复杂有状态工作流(进阶)。导入路径用 langchain_openai/langchain_core，旧的 from langchain 已废弃。

Q3：核心概念 —— 怎么理解？

A：七零件：① Models 统一模型接口(Chat/LLM/Embedding)；② Prompt Templates 用{占位符}声明、invoke 才注入、禁 f-string 写死；③ LCEL 用|串管道，每组件是实现.invoke()的 Runnable；④ Output Parsers 结构化，生产用 PydanticOutputParser；⑤ Memory 五种记忆；⑥ Retrievers 向量/混合；⑦ Loaders+Splitters 加载分块。

Q4：LangGraph — 图工作流引擎 —— 怎么理解？

A：LangGraph 是 LangChain 扩展，用有向图(Directed Graph)构建有状态多步骤工作流。解决传统 Chain 只能线性执行的痛点：支持条件边和循环、共享 State+Reducer、Checkpointer 断点续跑、Human-in-the-loop。代码用 StateGraph 定义状态、add_node/add_edge/add_conditional_edges。Chain 是单行流水线，LangGraph 是带岔路回环的地铁图。

Q5：常见错误（常见） —— 怎么理解？

A：五坑：① 管道顺序反(model|prompt|parser→TypeError，应 prompt|model|parser)；② 占位符名不匹配(写{name}传 username→KeyError)；③ 模板里用 f-string 写死变量；④ 不用 get_format_instructions() 让 LLM 自猜格式(key 变中文)；⑤ Pydantic Field description 太模糊。

Q6：核心速记主线有哪些？

四层：core 打底、openai/community 管接入、langgraph 管编排
灵魂：LCEL 竖线管道 + Runnable 统一 .invoke() 接口
图工作流：LangGraph 条件边/循环/共享状态
踩坑：顺序别反、占位符别错、f-string 别写死

口诀

A：框架四层分清楚，core 打底 openai 接

管道 LCEL 竖线串，Runnable 接口是灵魂

Pydantic 管输出，LangGraph 跑有状态

占位符别写死，顺序反了就报错

PorterYuan · 个人学习博客

探索

LangChain框架

LangChain 框架

四层架构

核心概念

1. Models — 统一模型接口

2. Prompt Templates — 声明式模板

3. LCEL 管道 — LangChain 的灵魂

4. Output Parsers — 结构化输出

5. Memory — 对话记忆

6. Retrievers — 检索接口

7. Document Loaders & Text Splitters

LangGraph — 图工作流引擎

常见错误（常见）

快速问答

速记卡（面试闪卡）

相关链接

关系图谱

目录

反向链接

近期更新

页面走丢了

AI Agent 方法论与产品思维路线图

LeetCode 学习路线图（186 题）

八股文学习路线图

技术学习路线图（AI Agent 开发）

全局导航