跳至主要內容

LangChain 入门：从 Chain、Retriever 到 Agent 开发

Yung原创2026/7/20大约 6 分钟AI 原生应用LangChainAgentRAGTool CallingAI 应用

LangChain 入门：从 Chain、Retriever 到 Agent 开发

LangChain 是一个用于构建大模型应用的开发框架。它把模型调用、Prompt、检索器、工具、Agent、输出解析、链路编排等能力抽象出来，让你可以更快搭建 AI 应用。

但要先明确一点：

LangChain 不是模型，也不会让模型天然更聪明。它是应用编排层。

如果你要做 RAG、工具调用、Agent 原型，LangChain 可以减少很多样板代码。如果你要做严格生产系统，也应该理解它的抽象，再决定哪些部分继续使用，哪些部分收敛到自己的工程代码里。

LangChain 适合解决什么问题

裸调用模型时，你通常会写很多重复逻辑：

  • 组织 Prompt。
  • 调用 Chat Model。
  • 解析模型输出。
  • 连接向量数据库。
  • 加载和切分文档。
  • 调用工具。
  • 管理多轮消息。
  • 记录链路执行过程。
  • 在多个步骤之间传递数据。

LangChain 对这些环节提供了统一抽象。

典型用途：

  • 聊天机器人
  • RAG 知识库问答
  • 文档总结
  • 数据库问答
  • 工具调用
  • Agent 工作流
  • 多模型编排

核心概念总览

你可以把 LangChain 理解成几个层次：

Model：调用大模型或 Embedding 模型
Prompt：组织输入
Output Parser：解析输出
Retriever：检索相关资料
Tool：给模型可调用的外部能力
Chain：把多个步骤串起来
Agent：让模型决定下一步调用什么工具
Memory / Message History：管理对话上下文

这些概念不是 LangChain 独有的。即使不用 LangChain，生产 AI 应用也需要类似模块。

Model

Model 是模型接口。常见包括：

  • Chat Model：聊天和文本生成。
  • Embedding Model：文本向量化。
  • Local Model：本地部署模型。

伪代码：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4.1-mini")
response = llm.invoke("用一句话解释 RAG")
print(response.content)

生产中要注意：

  • 模型名称和版本。
  • 温度参数。
  • token 限制。
  • 超时和重试。
  • 调用成本。
  • 日志脱敏。
  • API Key 管理。

Prompt Template

Prompt Template 用于把变量填入提示词。

示例：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是企业知识库助手，只能根据资料回答。"),
    ("human", "资料：{context}\n\n问题：{question}")
])

好处是：

  • Prompt 可复用。
  • 变量清晰。
  • 方便测试不同版本。
  • 适合与链路组合。

不要把 Prompt 零散写在业务代码各处。建议集中管理并版本化。

Output Parser

模型默认输出文本，但应用经常需要结构化结果。

例如你希望模型返回：

{
  "answer": "可以报销，但需要提供发票。",
  "citations": ["finance-policy-001"],
  "confidence": "medium"
}

Output Parser 可以把模型输出解析成结构化对象。

生产中更推荐使用模型支持的结构化输出能力，或者用 JSON Schema 约束输出，再进行后端校验。

注意：不要完全相信模型返回的 JSON。仍然要做解析异常处理和字段校验。

Retriever

Retriever 是检索器。它根据用户问题返回相关文档。

RAG 中，Retriever 是核心组件。

典型流程：

retrieved_docs = retriever.invoke(question)

Retriever 后面可以接：

  • 向量数据库
  • 关键词搜索
  • 混合检索
  • 权限过滤
  • reranker

你可以把 Retriever 理解成“根据问题找上下文”的统一接口。

Chain

Chain 是把多个步骤串起来。

一个简单 RAG Chain：

question
  -> retriever
  -> format documents
  -> prompt
  -> llm
  -> output parser

这种流程明确、稳定、容易测试。

很多业务场景不需要 Agent，用 Chain 就够了。例如：

  • 知识库问答
  • 固定格式报告生成
  • 文档摘要
  • 邮件分类
  • 合同条款提取

优先用 Chain 解决确定性流程，再考虑 Agent。

Tool

Tool 是模型可以调用的外部能力。

例如：

  • 查询订单
  • 查询库存
  • 搜索网页
  • 执行 SQL
  • 调用内部 HTTP API
  • 读取文件
  • 发送邮件

一个工具应该有清晰的名称、说明和参数 schema。

示例思路：

from langchain_core.tools import tool

@tool
def get_order_status(order_id: str) -> str:
    """查询订单支付和发货状态。"""
    return order_service.query(order_id)

工具设计重点：

  • 工具名要清楚。
  • 描述要告诉模型何时使用。
  • 参数要结构化。
  • 返回值要简洁。
  • 后端必须做权限校验。
  • 高风险工具要有人类确认。

不要把危险能力无约束暴露给 Agent。

Agent

Agent 的特点是：模型可以根据任务选择工具，并决定下一步。

典型循环：

用户目标
  -> 模型思考下一步
  -> 选择工具
  -> 调用工具
  -> 观察结果
  -> 再决定下一步
  -> 输出结果

适合 Agent 的任务：

  • 步骤不固定。
  • 需要多工具组合。
  • 需要根据中间结果调整计划。
  • 用户目标比较开放。

不适合 Agent 的任务：

  • 高风险交易。
  • 强合规审批。
  • 流程非常固定。
  • 需要严格确定性的批处理。

生产中建议使用受控 Agent：工具白名单、最大步数、超时、权限、审计日志、危险操作确认。

LangChain 与 RAG

用 LangChain 做 RAG，通常分几步。

第一，加载文档：

documents = loader.load()

第二，切分文档：

splits = text_splitter.split_documents(documents)

第三，生成 Embedding 并写入向量库：

vectorstore = Chroma.from_documents(splits, embedding_model)

第四，创建 retriever：

retriever = vectorstore.as_retriever(search_kwargs={"k": 6})

第五，组装问答链：

context = retriever.invoke(question)
answer = llm.invoke(prompt.format(context=context, question=question))

真实项目中，你还要加权限过滤、rerank、引用、错误处理和日志。

LangChain 的优势

优点：

  • 原型开发快。
  • 抽象覆盖常见 AI 应用模式。
  • 集成大量模型和向量库。
  • 适合学习 RAG、Tool、Agent 的基本形态。
  • 社区资料多。

对初学者来说，LangChain 是理解 AI 应用编排的好工具。

LangChain 的风险

风险也很现实：

  • 抽象层较多，排错时要理解内部链路。
  • 版本变化可能影响代码。
  • Demo 很容易，生产治理仍然要自己做。
  • Agent 示例容易让人低估权限和安全风险。

建议：

  1. 用 LangChain 快速验证想法。
  2. 学会它的核心抽象。
  3. 生产项目中把关键链路封装成自己的服务。
  4. 不要把业务规则藏在难以追踪的链里。

一个推荐项目结构

app/
  ai/
    models.py
    prompts/
      rag_answer.txt
      query_rewrite.txt
    retrievers/
      document_retriever.py
      rerank_retriever.py
    tools/
      order_tool.py
      user_tool.py
    chains/
      rag_chain.py
      summary_chain.py
    agents/
      support_agent.py
    evaluation/
      rag_eval.py

这样可以避免 AI 逻辑散落在 Controller 或接口函数里。

生产 Checklist

使用 LangChain 做应用时，至少检查：

  1. Prompt 是否版本化。
  2. 模型调用是否有超时和重试。
  3. API Key 是否安全管理。
  4. 用户输入是否记录并脱敏。
  5. 检索结果是否有权限过滤。
  6. Agent 工具是否有白名单。
  7. 高风险工具是否需要确认。
  8. 输出是否做结构化校验。
  9. 是否记录 token、延迟和成本。
  10. 是否有评估集。

参考资料

总结

LangChain 的价值是应用编排。它帮助你把 Prompt、Model、Retriever、Tool、Chain、Agent 组合起来。

初学者可以用 LangChain 快速理解 AI 应用的结构。进入生产阶段，要把权限、日志、评估、异常、成本和业务规则纳入自己的工程体系。不要为了使用 Agent 而使用 Agent，流程明确的任务优先用 Chain，开放任务再考虑受控 Agent。

最近更新:
贡献者: cunyanger
一切将变得更好
Copyright © 2026 Yung