转载小红书：AI产品赵哥
前言 🔖
作为一个 AI 产品经理过来人，我很能理解大家面对 LangChain 这个家伙时，懵了个圈的状态。
听说这东西很火？听说它是开发 AI 应用的必修课？但去 Github 一看，全是代码；去读官方文档，又是各种抽象概念。
作为产品经理，到底要不要学？学到什么程度？以后能用得上吗？
别慌，今天咱们就把这个家伙拆开、揉碎、炖烂、煮熟，让你吃得下去，消化进去。
为了方便大家阅读，我把这个系列分成了几个大模块，你可以把它当成一本迷你的 “LangChain 实战手册”。
一、先搞清楚：LangChain 到底是个啥？🔖
咱们先别急着看代码，先搞清楚定位。你肯定用过 ChatGPT，对吧？它很强，上知天文下知地理。但是，你有没有发现它在协助我们完成任务的时候，有三个巨大的软肋：
- 它是个 “脑子”，但没有 “手脚”：它没法直接帮你去 Google 搜最新的新闻，也没法直接打开你的 Excel 表修改数据（除非用特定插件，但那不是你自己开发的）。
- 它是个 “金鱼记忆”：你要是跟它聊得太久，或者换个对话框，它就把你之前说啥给忘了。
- 它不懂你的 “家务事”：你问它 “我公司上个月的销售额是多少”，它肯定不知道，因为它没看过你的私有数据。
这时候，LangChain 就闪亮登场了。
如果说 LLM（大语言模型，比如 GPT-4、文心一言）是那个智商爆表的大脑，那么 LangChain 就是链接这个大脑和外部世界的 “神经系统”。它负责帮大模型：
- 连上网（搜索工具）；
- 读文件（加载 PDF、Excel）；
- 记事情（长短期记忆）；
- 做决策（该先干嘛后干嘛）。
用个最俗的比喻：大模型是五星级大厨（脑子好，会做菜）。
但是大厨不能光着身子做菜吧？他需要厨房（环境），需要帮厨（工具）去买菜、洗菜，需要菜谱（Prompt），还需要记性（Memory）记住客人的忌口。
LangChain 就是那个帮你把厨房建好、把帮厨招好、把菜谱写好，最后把大厨请进来干活的餐厅经理。
二、构成：LangChain 的六大模块🔖
LangChain 之所以强大，是因为它把开发 AI 应用的过程拆成了几个标准化的模块。哪怕你代码基础一般，像搭积木一样拼拼凑凑，也能弄出个像模像样的东西来。
这六大金刚分别是：Models（模型）、Memory（记忆）、Retrieval（索引 / 数据检索）、Chains（链）、Agents（代理）、Callback（回调）。
咱们一个个把它们 “扒光” 了看。
🔹2.1.Models（模型）：换个 “脑子” 就像换灯泡
以前我们要换个模型，比如从 GPT-3.5 换到 Claude，那代码得改一堆，接口都不一样。
LangChain 做了一件大好事，它把市面上主流的模型都封装成了统一的接口。
不管你是用 OpenAI，还是用 HuggingFace 上的开源模型，在 LangChain 里，也就是改一行参数的事儿。这叫标准化。
- LLMs（大语言模型）：这种主要就是为了 “补全”，你给它半句话，它给你补全剩下的。
- Chat Models（聊天模型）：这种更像我们现在的 ChatGPT，有明确的 “系统角色”、“用户角色”、“AI 角色”，它是为了对话设计的。
干货细节：这里有个小坑。很多新手在用的时候，分不清 text-davinci-003（老 LLM）和 gpt-3.5-turbo（Chat Model）的区别。虽然 LangChain 能帮你屏蔽一部分差异，但输入格式是不一样的。LLM 吃的是一串字符串，Chat Model 吃的是一个列表（List of Messages）。这一点要是搞混了，报错能报到你怀疑人生。
Prompts（提示词）：把 “说话” 变成 “填空题”
你肯定听说过，提示词工程很重要。但如果你每次写程序都要手敲一段：”你是一个有用的助手，请回答……” 那太累了。
LangChain 引入了 Prompt Template（提示词模板）。
想象一下你要做一个 “翻译机器人”。你不用每次都写：“请把这句话翻译成英语：你好”。你可以做一个模板：
“请把这句话翻译成 {target_language}：{text}”
这就是个填空题。当你程序运行时，只需要把变量填进去，LangChain 自动帮你生成完整的提示词发给模型。这有点类似于我们高考的时候，背的那些作文模板，到考场上去按照作文的要求套模板的过程。
为什么这很重要？因为它让你的程序变 “活” 了。你可以随时动态地改变翻译的目标语言，或者翻译的内容，而不需要去改底层的逻辑。
🔹2.2.Memory（记忆）：治好 AI 的 “健忘症”
这是我觉得 LangChain 最性感的功能之一。
原生的 API 接口是无状态的。啥叫无状态？就是你问完第一句，再问第二句，模型压根不知道第一句是啥。为了让对话能继续，你需要把之前的对话记录打包，每次都一股脑地发给模型。
LangChain 帮你自动化了这个过程。它提供了好几种记忆模式：
- ConversationBufferMemory：最简单粗暴，把之前说过的话全记下来，每次全扔给 AI。缺点是贵，Token 消耗巨大。
- ConversationBufferWindowMemory：只记最近的 K 轮对话（比如最近 3 句）。之前的就忘了。这就像鱼的记忆，但省钱。
- ConversationSummaryMemory：这个厉害了。它会用另一个 LLM，帮咱把之前的对话做一个总结，然后只保留总结。这就像我们开会，不记流水账，只记会议纪要。
说实话，现在的 Memory 模块虽然好用，但有时候也挺智障的。特别是那个 “总结记忆”，有时候总结得驴唇不对马嘴，把关键细节给丢了。所以在实际做项目时，我们经常得把好几种记忆方式混合起来用，或者自己写点逻辑去修补。
🔹2.3.Retrieval（检索）与 RAG：给 AI 开小灶
这部分是现在最火的，也就是大家常说的 RAG（检索增强生成）。简单说，就是怎么把你的 PDF、Word、公司文档喂给 AI。
LangChain 把这个过程变成了流水线：
- Document Loaders（文档加载器）：不管你是 PDF、TXT、Json 还是网页，LangChain 都有对应的工具把它读进来。
- Text Splitters（文本分割器）：大模型一次吃不下一整本书。你需要把书切成一块一块的（Chunk）。这一步非常有讲究！切太大了，Token 不够；切太小了，上下文意思断了。
- Vector Stores（向量数据库）：这是核心。我们要把切好的文字，转化成向量（一串数字）存起来。就像去图书馆找书。以前是按书名找，现在是按 “意思” 找。你问 “怎么做红烧肉”，系统会把所有跟 “猪肉”、“酱油”、“炖” 相关的片段找出来。
- Retrievers（检索器）：当你提问时，先去数据库里把相关的片段捞出来，拼在 Prompt 里，再扔给 LLM。
RAG 是目前企业落地 AI 应用的最主流方式，没有之一。
LangChain 在这里的生态是最完善的。你如果想做个 “法律顾问 AI” 或者 “客服机器人”，这一块必须吃透。
🔹2.4.Chains（链）：把动作串起来
这就是 LangChain 名字的由来（LangChain = Language Chain）。一个复杂的任务，往往不是一步就能搞定的。比如我要写一篇股评：
- 第一步：去搜集今天的股市数据。
- 第二步：让 AI 分析数据。
- 第三步：让 AI 根据分析写成文章。
- 第四步：把文章翻译成英文。
这四个步骤，就是四环链条。LangChain 提供了 SequentialChain（顺序链），能把这些步骤像串糖葫芦一样串起来。前一个步骤的输出，自动变成下一个步骤的输入。
这就有点像工业流水线了。没有 LangChain 之前，你得自己写一大堆 if-else 和胶水代码来传递数据，现在只需要定义好链条结构就行。
🔹2.5.Agents（智能体 / 代理）：AI 有了 “自主意识”
这是 LangChain 出现后，最让人兴奋的点，但也最容易翻车的部分。如果说 Chains 是按部就班的流水线，那 Agents 就是拥有自主决策权的员工。
你给 Agent 一个目标：”帮我策划一次去日本的旅行，并预定机票。”Agent 会自己思考：
- “我得先去搜搜日本哪里好玩。”→ 调用搜索工具。
- “我想去京都，我得查查去京都的机票。”→ 调用机票查询工具。
- “这个航班太贵了，我再查查别的。”→ 再次调用工具。
- “定好了。”→ 返回结果。
在 Agent 模式下，LLM 变成了大脑，它根据当下的情况，自己决定该用什么工具（Tool），该干什么事。这就是通往 AGI（通用人工智能）的雏形啊！
一个数学公式来表示：Agent = LLM + Memory + Tools + Planning + Action
真心话：虽然 Agents 听起来很屌，但在实际生产环境中，它非常不可控。有时候它会陷入死循环（一直在思考，不干活），有时候会乱调用工具。目前我们在做严肃的商业项目时，对 Agent 的使用还是比较谨慎的，更多时候还是倾向于用确定的 Chains。
🔹2.6.Callbacks（回调）—— 战甲的 “日志与监控系统”
这是一个面向开发者的 “调试” 和 “监控” 系统。
- 功能：允许你在 LangChain 运行的任何一个环节（比如 LLM 调用前、工具使用后），“挂载” 一些自定义的函数，用于日志记录、性能监控、成本计算等。
- 战甲比喻：这是钢铁侠战甲的 **“系统日志和诊断面板”**。托尼・斯塔克可以实时看到战甲每个部件的能耗、温度、API 调用次数、花费了多少钱等，方便他进行优化和故障排查。
三、具体实操：手把手带你搞定一个知识库助手🔖
光说不练假把式。咱们现在脑补一下，怎么用 LangChain 做一个 “个人知识库助手”。
假设你电脑里有一堆 PDF 格式的行业报告，你想问 AI 关于这些报告的内容。
🔹第一阶段：备菜（数据处理）
首先，我们需要用到 LangChain 的 PyPDFLoader。这玩意儿就像个扫描仪，把你文件夹里的 PDF 全部读成文本。
然后，用到 RecursiveCharacterTextSplitter。名字很长，别怕。它的作用就是拿把剪刀，把长篇大论剪成一段一段的，比如每段 500 个字，而且为了防止剪断了句子的意思，段与段之间还会留一点重叠个字，而且为了防止剪断了句子的意思，段与段之间还会留一点重叠（Overlap）。
🔹第二阶段：腌制（向量化）
切好的肉（文本块）是生的，模型吃不下。我们需要调用 OpenAI 的 Embeddings 接口，把这些文字变成向量。
这时候，你需要一个容器来装这些向量。对于新手，推荐用 FAISS 或者 Chroma。它俩就像个轻量级的本地数据库，不需要你装复杂的服务器软件，直接在你的 Python 环境里就能跑。
🔹第三阶段：开火（构建检索链）
现在，你有了数据库，有了 API Key。我们要构建一个 RetrievalQA 链。这个链条的工作原理是这样的：
- 1．用户提问：”报告里关于新能源汽车的预测是啥？”
- 2．检索：LangChain 把你的问题也变成向量，去数据库里 “搜” 最相似的几段原文。
- 3．组装：LangChain 悄悄地把搜到的原文和你的问题拼在一起，变成一个新的 Prompt：”请根据以下参考资料回答问题：[资料片段…] 问题是：新能源汽车的预测是啥？”
- 4．生成：大模型看完资料，假装自己全都知道，给你吐出了答案。
看懂了吗？其实 AI 根本没记住你的文件，它只是在你提问的那一瞬间，临时抱佛脚看了小抄，然后回答了你。这就是 LangChain 干的最核心的事儿！
四、不禁反问：LangChain 是完美的吗？🔖
反转来了，我要给你泼点冷水。
虽然 LangChain 现在是业界的扛把子，但它的糟心事也真的不少。
- 文档写得乱：这是公认的。LangChain 更新太快了，大概两三天就是一个新版本。官方文档经常跟不上代码的更新速度，你在文档里看到的方法，可能在最新版代码里已经被改名或者删除了。这对新手极其不友好。
- 抽象过度：为了兼容所有的模型和数据库，LangChain 封装了一层又一层。有时候你只想做一个简单的功能，结果发现要调用的类藏在很深的地方。这也导致了所谓的 “LangChain 很慢” 的说法 —— 不是运行慢，是调试代码的时候脑子转得慢，因为调用栈太深了。
- 版本不兼容：你今天写的代码，下个月升级了 LangChain 可能就跑不通了。
那为什么还要学它？因为它生态太强了。
- 你想用的任何工具（Google Search, Wikipedia, Notion, Gmail…），LangChain 里都有现成的组件。
- 你想用的任何技术（RAG, ReAct, MapReduce…），LangChain 里都有现成的模板。
- 它就像 AI 届的 Spring 框架或者 React 框架，虽然臃肿，虽然有坑，但它是目前最快上手、资源最多的选择。
- 对于初学者，我的建议是：不要试图去学完 LangChain 的所有 API，那是不可能的。你只需要搞懂它的核心逻辑（就是上面说的六大核心模块），然后用到什么再去查什么。把它当成一个工具箱，而不是一本教科书。
五、未来什么样：LangChain 1.0 与 AI 原生的未来🔖
现在还有一个趋势，叫 LangSmith 和 LangServe。
- LangSmith 是帮你看清这一堆乱七八糟的链条里到底发生了啥的平台（监控与调试）。
- LangServe 是帮你一键把写好的链条变成 API 接口，直接能给前端调用的神器。
这说明啥？说明 LangChain 正在从一个 “代码库” 进化成一套完整的 “AI 开发操作系统”。而且，随着大模型本身的能力越来越强（比如 GPT-4 的 Context 窗口越来越大，能一次性读完一本书），也许未来简单的 RAG 不需要那么复杂的切片逻辑了。但 Agent（智能体）的逻辑会越来越重要。
未来的 AI 应用，一定不是简单的 “一问一答”，而是 “一句话解决复杂任务”。比如：“帮我写个游戏，然后发布到 App Store”。这中间涉及到写代码、画图、测试、填表单、上传等几十个步骤。LangChain 就是在为这种未来打地基。
六、总结🔖
本来写了一些总结，但是感觉都不够完美，就放下面这张图吧：
