LangChain 是什么？1.x 架构、LangGraph、安装与选型指南

一句话回答：LangChain 是一个用于快速构建 AI 智能体的开源高层框架。到了 1.x 版本，它的重点已经从“把各种链式组件都装进一个大包”收敛为标准化模型接口、工具调用、create_agent 和可插拔中间件；智能体循环实际运行在 LangGraph 之上。它适合需要模型调用工具、保存状态、加入审批和持续评测的应用，但简单问答或单次结构化抽取未必需要它。

LangChain 现在到底是什么？

根据 LangChain 官方的 1.0 说明，LangChain 的当前定位是“更快地构建 AI 智能体”。开发者给智能体配置模型、工具和系统提示词后，运行时会让模型在“调用工具”和“返回最终答案”之间循环，直到得到结果或触发停止条件。这个抽象解决的是多模型、多工具和多步骤任务的通用组织问题，而不是提供一个新的大语言模型。

这也意味着很多旧教程已经过时。早期文章常把 LangChain 解释为 Prompt、Chain、Memory、Retriever 和 Agent 的组件合集；这些概念仍可能存在于生态或兼容包中，但 1.x 主包已经明显缩小命名空间，并把代理开发集中到 langchain.agents。如果正在阅读 0.x 教程，不能直接照抄导入路径和初始化方式。

LangChain、LangGraph、LangSmith 和 langchain-classic 有什么区别？

最容易理解的关系是：LangChain 像现成的智能体装配层，LangGraph 像可控的执行引擎，LangSmith负责观察和评测。LangChain 智能体本身就构建在 LangGraph 运行时之上，因此项目可以先用高层接口验证价值，确实需要复杂状态机时再下沉，而不用一开始就手写所有节点。

LangChain 1.x 的核心运行过程

1. 接收请求：把用户消息、会话上下文和运行时配置交给智能体。
2. 调用模型：模型判断是直接回答，还是生成一个或多个工具调用。
3. 执行工具：程序校验工具名和参数，在受控权限内访问数据库、API 或业务系统。
4. 写回结果：工具结果加入消息状态，模型继续判断下一步。
5. 结束或暂停：返回最终答案，或在敏感操作前暂停等待人工批准。

中间件可以在这些步骤前后插入逻辑，例如记录日志、动态选择模型、限制调用次数、重试失败请求、压缩过长历史、过滤个人信息或在高风险工具前要求审批。官方文档把中间件作为 1.x 的关键扩展机制，而不是要求开发者复制一份完整代理循环再自行修改。

如何安装 LangChain？

官方安装页要求 Python 3.10 或更高版本。核心包与模型提供商集成分开发布，因此只安装 langchain 并不会自动带上每一家模型 SDK。以 OpenAI 集成为例：

python -m venv .venv
# Windows: .venv\Scripts\activate
# macOS/Linux: source .venv/bin/activate
pip install -U langchain langchain-openai

生产项目应把依赖写入锁文件，先在测试环境升级，再通过固定测试集验证。不要让线上容器每次启动都无条件拉取最新版本，因为次要版本、模型端行为或第三方集成都可能改变结果。

一个最小可运行的 create_agent 示例

下面的示例只提供“查询库存”工具。模型标识使用官方支持的 provider:model 形式；运行前请将它替换为账号当前可用的模型，并通过环境变量设置对应密钥。

from langchain.agents import create_agent
from langchain.tools import tool

@tool
def get_inventory(sku: str) -> str:
    """按 SKU 查询演示库存。"""
    demo = {"SKU-100": 12, "SKU-200": 0}
    return f"{sku} 当前库存：{demo.get(sku, '未找到')}"

agent = create_agent(
    model="openai:gpt-5",
    tools=[get_inventory],
    system_prompt=(
        "你是库存查询助手。只能查询，不得修改库存；"
        "找不到商品时明确说明，不要猜测。"
    ),
)

result = agent.invoke({
    "messages": [
        {"role": "user", "content": "查询 SKU-100 的库存"}
    ]
})
print(result["messages"][-1].content)

这段代码能说明框架用法，却还不是生产系统。真实库存工具需要鉴权、参数白名单、超时、审计日志和最小权限；如果要执行扣减库存、退款、发邮件等写操作，还应加入幂等键与人工确认。可进一步阅读本站的AI 智能体与自动化治理指南，理解为什么“能调用工具”不等于“可以直接上线”。

什么时候应该使用 LangChain？

• 同一套业务需要在多个模型提供商之间切换或做路由。
• 模型需要调用多个工具，并根据工具结果继续推理。
• 需要结构化输出、流式事件、短期记忆或可插拔中间件。
• 需要用 LangGraph 的检查点、恢复、人工介入或复杂分支。
• 团队愿意建立追踪、评测和版本管理，而不是只做一次演示。

什么时候不必使用 LangChain？

• 单次模型调用：固定提示词加一次 JSON 输出，直接使用模型官方 SDK 往往更清楚。
• 完全确定的工作流：每一步都能用普通代码表达，没有模型自主选择工具的必要。
• 极端延迟敏感：应先测量框架、追踪和多轮循环带来的额外耗时。
• 团队无法承担升级：如果没有依赖锁定、回归测试和维护负责人，增加抽象层只会扩大故障面。

框架不是项目成熟度的证明。先用最小方案验证任务是否真的需要智能体，再决定引入 LangChain 或直接使用 LangGraph。对于代码仓库级任务，还可以参考本站的Claude Code 使用与安全工作流；对于模型 API 切换，则可参考DeepSeek API 迁移方法。

从 0.x 迁移到 1.x 要检查什么？

1. 运行环境：确认 Python 已升级到 3.10+，并建立隔离环境。
2. 导入路径：以 v1 迁移文档为准；旧 chains、retrievers、hub 等功能可能需要 langchain-classic。
3. 代理入口：把旧的预构建 ReAct 代理迁移思路调整为 langchain.agents.create_agent。
4. 提示词和状态：检查系统提示词、动态提示词、自定义状态以及 pre/post model hook 的新表达方式。
5. 结构化输出：重新验证 schema、工具策略和提供商原生策略，不能假定旧返回结构不变。
6. 流式与节点名：如果前端或监控依赖事件名，必须按照迁移文档逐项回归。

不要为了“升级版本”一次性重写整个系统。更稳妥的做法是保存旧环境、建立可重复测试集，先迁移一个低风险入口，再比较成功率、延迟、Token 消耗和错误类型。

生产环境必须补上的可靠性控制

LangChain 的 Human-in-the-loop 中间件支持对工具调用执行批准、编辑或拒绝，但官方也明确要求配合持久化检查点。内存保存器适合演示，不应被当作生产持久化方案。涉及组织级智能体治理时，可结合Microsoft Agent 365 权限与治理指南中的身份、负责人和持续审查思路。

LangChain 常见问题

LangChain 是模型吗？

不是。它是应用框架，通过统一接口连接 OpenAI、Anthropic 等模型提供商，并组织工具、状态和智能体循环。

LangChain 和 RAG 是一回事吗？

不是。RAG 是先检索外部资料再生成答案的应用模式；LangChain 可以用于组织检索、模型和工具，但也可以构建完全不含 RAG 的智能体。

用了 LangChain 就必须直接写 LangGraph 吗？

不必。LangChain 的 create_agent 已经运行在 LangGraph 上。只有当默认循环无法表达复杂分支、长任务或精细状态控制时，才需要直接使用 LangGraph。

langchain-classic 适合新项目吗？

它主要为旧功能和迁移兼容服务。新项目应优先使用 v1 主包的精简接口，只有明确依赖旧链或旧检索组件时再引入，并记录退出计划。

官方资料与复查日期

• LangChain 安装文档
• LangChain Agents 文档
• LangChain v1 迁移指南
• Middleware 概览
• Human-in-the-loop 文档
• LangGraph 持久化文档
• LangChain 与 LangGraph 1.0 发布说明

资料复核日期：2026 年 7 月 15 日。LangChain 生态更新较快，复制示例前应再次查看官方安装、迁移和安全文档，并以项目锁定的依赖版本为准。