LangChain AI 代理框架教程5分钟跑通你的第一个LLM应用新手完整指南【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain如果你在自己的产品里接过大模型多半会撞上同一堵墙模型只会说话连不上你的数据用不了你的工具哪天换个模型供应商接口代码得整段重写。LangChain 就是为了解决这件事而生的——它是一个 AI 代理框架agent engineering platform把接模型、接数据、编排流程这些脏活拆成了标准化组件让你专注写业务逻辑。这篇文章不堆理论直接带你把它装起来、跑起来再说清楚它到底能干嘛、怎么搭配着用以及新手最容易踩的几个坑。LangChain 解决什么问题先说痛点直接调模型 API你会遇到三个反复出现的麻烦每家模型的接口都不一样。OpenAI 一套写法Anthropic 又是一套换模型等于重写一半代码。LangChain 用一个统一的聊天模型接口把它们抹平了init_chat_model(openai:gpt-5.5)这种写法里冒号前面就是供应商换模型基本就是改一行配置的事。模型拿不到你的上下文。想让模型回答我们公司的退款政策是什么你得先自己检索文档、拼提示词、处理格式。框架里内置了文档切分、向量检索、消息管理等一整套组件拼装即可。代理Agent逻辑很难写稳。让模型自己决定下一步调什么工具裸写起来极易失控。LangChain 给了标准的工具和消息协议往上还能叠更高层的编排框架后面生态部分会说。一句话它是模型和真实世界之间的翻译层 胶水层 三步安装5分钟跑起来整个仓库用uv管理依赖比 pip 快很多安装其实就一条命令git clone https://gitcode.com/GitHub_Trending/la/langchain uv add langchain装好之后下面这段最小示例做两件事初始化一个聊天模型让它回答一个问题。注意模型名里openai:前缀——告诉框架去哪家的后端要模型记得提前配好对应供应商的 API Key。from langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-5.5) result model.invoke(用一句话解释为什么数据库慢查询要建索引) print(result.content)跑通这一步你就已经用 LangChain 调完一个 LLM 了。核心包的位置也顺便认一下基础抽象在libs/core/消息、提示词、向量库接口都在这当前主力实现在libs/langchain_v1/。实际能干嘛3个最常见的玩法1. 给模型接上你的私有文档RAG典型场景把产品手册、内部 Wiki 喂给模型做客服问答。流程是切文档 → 转向量 → 检索 → 拼进提示词每一步框架都有现成组件切分用libs/text-splitters/里的文本分割器向量库接口在libs/core/langchain_core/vectorstores/检索器、压缩器一拼就是一个最小问答系统。你不用关心向量库底层是 Chroma 还是 Qdrant接口是同一套。2. 让模型会动手的代理给模型注册工具查天气、查订单、跑 SQL它就能自己决定什么时候调用哪个工具、按什么顺序调。工具、消息、代理循环的协议都定义在libs/core/langchain_core/里供应商侧的具体实现则放在libs/partners/下比如libs/partners/openai/、libs/partners/anthropic/每个供应商一个独立包按需安装。3. 模型 A/B 测试不换架构同一个代理今天用便宜模型跑量明天换更强的模型跑关键分支——因为模型被抽象成了可替换组件这种切换不改调用方的代码。团队试错期这招能省大量重构时间 ⚡如何搭配其他项目用LangChain 本身是底座上面还有几个官方生态组件分工很清晰LangGraph低层编排框架。当代理流程需要循环、分支、断点恢复这类精细控制时用它在 LangChain 组件之上搭可控的工作流。Deep Agents更高一层的包内置规划、子代理、文件系统使用等常见模式。如果你只想快速起一个能干复杂任务的代理从这里开始比从底层拼更省事。LangSmith开发调试平台。代理跑偏了不知道哪一步出的问题它提供观测、评测和调试能力把为什么答错从玄学变成可排查的事。简单记LangChain 管组件LangGraph 管流程LangSmith 管观测Deep Agents 管开箱即用 上手前注意什么四个新手高频坑别装到旧版 classic 包。仓库里libs/langchain/langchain-classic是遗留代码官方已明确不再加新功能你在pip install langchain时装到的是libs/langchain_v1/对应的新版主线。看文档和源码时认准 v1否则容易对着旧 API 一头雾水。依赖管理跟着官方走。整个 monorepo 统一用uv每个包独立pyproject.tomluv.lock本地开发直接uv sync就行别手动 pip 装一堆再对版本。模型名别漏供应商前缀。init_chat_model认openai:gpt-5.5这种写法写成裸模型名它会按默认供应商猜猜错了才怪。先用 Fake 模型跑通逻辑。libs/core/langchain_core/language_models/fake.py里有假模型写编排逻辑、跑单测时不需要真烧 API 额度省成本还能离线复现。写在最后新手最忌一上来就研究所有抽象。建议路径先用init_chat_model跑通一次对话 → 接一段私有文档做问答 → 再给模型加一两个工具 → 复杂流程再上 LangGraph。每一步都是独立可验证的小闭环比啃完整本 API 文档快得多。框架的价值不在于大而全而在于让模型可替换、让流程可组合——抓住这两点剩下的边用边查文档就够了。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LangChain AI 代理框架教程：5分钟跑通你的第一个LLM应用（新手完整指南）
LangChain AI 代理框架教程5分钟跑通你的第一个LLM应用新手完整指南【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain如果你在自己的产品里接过大模型多半会撞上同一堵墙模型只会说话连不上你的数据用不了你的工具哪天换个模型供应商接口代码得整段重写。LangChain 就是为了解决这件事而生的——它是一个 AI 代理框架agent engineering platform把接模型、接数据、编排流程这些脏活拆成了标准化组件让你专注写业务逻辑。这篇文章不堆理论直接带你把它装起来、跑起来再说清楚它到底能干嘛、怎么搭配着用以及新手最容易踩的几个坑。LangChain 解决什么问题先说痛点直接调模型 API你会遇到三个反复出现的麻烦每家模型的接口都不一样。OpenAI 一套写法Anthropic 又是一套换模型等于重写一半代码。LangChain 用一个统一的聊天模型接口把它们抹平了init_chat_model(openai:gpt-5.5)这种写法里冒号前面就是供应商换模型基本就是改一行配置的事。模型拿不到你的上下文。想让模型回答我们公司的退款政策是什么你得先自己检索文档、拼提示词、处理格式。框架里内置了文档切分、向量检索、消息管理等一整套组件拼装即可。代理Agent逻辑很难写稳。让模型自己决定下一步调什么工具裸写起来极易失控。LangChain 给了标准的工具和消息协议往上还能叠更高层的编排框架后面生态部分会说。一句话它是模型和真实世界之间的翻译层 胶水层 三步安装5分钟跑起来整个仓库用uv管理依赖比 pip 快很多安装其实就一条命令git clone https://gitcode.com/GitHub_Trending/la/langchain uv add langchain装好之后下面这段最小示例做两件事初始化一个聊天模型让它回答一个问题。注意模型名里openai:前缀——告诉框架去哪家的后端要模型记得提前配好对应供应商的 API Key。from langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-5.5) result model.invoke(用一句话解释为什么数据库慢查询要建索引) print(result.content)跑通这一步你就已经用 LangChain 调完一个 LLM 了。核心包的位置也顺便认一下基础抽象在libs/core/消息、提示词、向量库接口都在这当前主力实现在libs/langchain_v1/。实际能干嘛3个最常见的玩法1. 给模型接上你的私有文档RAG典型场景把产品手册、内部 Wiki 喂给模型做客服问答。流程是切文档 → 转向量 → 检索 → 拼进提示词每一步框架都有现成组件切分用libs/text-splitters/里的文本分割器向量库接口在libs/core/langchain_core/vectorstores/检索器、压缩器一拼就是一个最小问答系统。你不用关心向量库底层是 Chroma 还是 Qdrant接口是同一套。2. 让模型会动手的代理给模型注册工具查天气、查订单、跑 SQL它就能自己决定什么时候调用哪个工具、按什么顺序调。工具、消息、代理循环的协议都定义在libs/core/langchain_core/里供应商侧的具体实现则放在libs/partners/下比如libs/partners/openai/、libs/partners/anthropic/每个供应商一个独立包按需安装。3. 模型 A/B 测试不换架构同一个代理今天用便宜模型跑量明天换更强的模型跑关键分支——因为模型被抽象成了可替换组件这种切换不改调用方的代码。团队试错期这招能省大量重构时间 ⚡如何搭配其他项目用LangChain 本身是底座上面还有几个官方生态组件分工很清晰LangGraph低层编排框架。当代理流程需要循环、分支、断点恢复这类精细控制时用它在 LangChain 组件之上搭可控的工作流。Deep Agents更高一层的包内置规划、子代理、文件系统使用等常见模式。如果你只想快速起一个能干复杂任务的代理从这里开始比从底层拼更省事。LangSmith开发调试平台。代理跑偏了不知道哪一步出的问题它提供观测、评测和调试能力把为什么答错从玄学变成可排查的事。简单记LangChain 管组件LangGraph 管流程LangSmith 管观测Deep Agents 管开箱即用 上手前注意什么四个新手高频坑别装到旧版 classic 包。仓库里libs/langchain/langchain-classic是遗留代码官方已明确不再加新功能你在pip install langchain时装到的是libs/langchain_v1/对应的新版主线。看文档和源码时认准 v1否则容易对着旧 API 一头雾水。依赖管理跟着官方走。整个 monorepo 统一用uv每个包独立pyproject.tomluv.lock本地开发直接uv sync就行别手动 pip 装一堆再对版本。模型名别漏供应商前缀。init_chat_model认openai:gpt-5.5这种写法写成裸模型名它会按默认供应商猜猜错了才怪。先用 Fake 模型跑通逻辑。libs/core/langchain_core/language_models/fake.py里有假模型写编排逻辑、跑单测时不需要真烧 API 额度省成本还能离线复现。写在最后新手最忌一上来就研究所有抽象。建议路径先用init_chat_model跑通一次对话 → 接一段私有文档做问答 → 再给模型加一两个工具 → 复杂流程再上 LangGraph。每一步都是独立可验证的小闭环比啃完整本 API 文档快得多。框架的价值不在于大而全而在于让模型可替换、让流程可组合——抓住这两点剩下的边用边查文档就够了。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考