从零学习 LangChain：构建 Agentic 工作流的实践路径

为什么 LangChain 成了 AI 应用开发的起点

不少刚接触 AI 开发的人都有类似的困惑：听说用 LangChain 或 LangGraph 可以搭建所谓的「agentic workflow」（智能体工作流），但真要动手时却不知从何入手。这是一个在 Reddit 等社区反复出现的问题——方向感有了，路径却很模糊。

本文尝试把这条学习路径梳理清楚，从基础概念到实际项目，给出一个循序渐进的框架。需要说明的是，原始提问本身信息有限，以下内容是基于 LangChain 生态的普遍认知进行的整理，而非对某个具体教程的复述。

先理解概念：LangChain 到底解决什么问题

在动手写代码之前，搞清楚几个核心概念比急着跑 demo 更重要。

LangChain 本质上是一个把大语言模型（LLM）与外部工具、数据、记忆连接起来的编排框架。单纯调用一次 LLM API 很简单，但当你需要让模型调用搜索引擎、查询数据库、读取文档、保持多轮对话上下文时，就需要一套机制把这些环节「串」起来。LangChain 提供的就是这种串联能力。

Agentic workflow（智能体工作流） 指的是让 LLM 不只是被动回答，而是能够根据任务自主决定调用哪些工具、按什么顺序执行、何时停止。模型在这里扮演「决策大脑」，工具则是它的「手脚」。

LangGraph 是 LangChain 团队推出的、面向复杂智能体编排的库。相比 LangChain 的线性链式结构，LangGraph 用图（graph）的方式描述流程，更适合有分支、循环、多智能体协作的场景。

一个关键判断：你需要 Chain 还是 Graph

如果任务是「输入→处理→输出」这样相对固定的流程，用 LangChain 的基础链就够了。一旦涉及「智能体需要反复思考、调用工具、根据结果再决策」这类带循环和状态的逻辑，LangGraph 会是更合适的工具。初学阶段不必纠结，先掌握 LangChain 基础，自然会过渡到 LangGraph。

从技术层面理解两者的差异有助于做出更清晰的判断。LangChain 的「链」本质上是一个有向无环图（DAG）的特例——数据从输入端流向输出端，中间经过若干处理步骤，但不会回头。LCEL（LangChain Expression Language）用管道符 | 将这些步骤串联，写法简洁直观。LangGraph 则引入了「有状态的图」概念：每个节点（Node）是一个处理函数，边（Edge）决定下一步走向哪个节点，状态（State）在整个图的执行过程中持续传递和更新。正因为允许边指向已经执行过的节点，LangGraph 天然支持循环——这是实现「模型反复思考直到满意」这类行为的关键机制。一个经典例子是 ReAct 模式：模型推理后调用工具，拿到结果再推理，这个循环可以持续多轮，直到模型判断任务已完成才退出。这种结构在 LangChain 的线性链中很难优雅地表达，却是 LangGraph 的设计初衷。

分阶段学习路径

第一阶段：打牢前置基础

在碰 LangChain 之前，确保以下基础扎实：

Python 熟练度：函数、类、异步编程（async/await）在智能体开发中很常用。
LLM 基本原理：理解什么是 token、上下文窗口、temperature、prompt 工程的基本套路。
API 调用经验：至少能用 OpenAI、Anthropic 或任意一个模型 API 完成一次对话请求。

跳过这些直接学框架，往往会卡在「不知道报错在说什么」的层面。

第二阶段：掌握 LangChain 核心组件

按以下顺序逐个击破：

Models 与 Prompts：如何封装模型调用、如何用 PromptTemplate 管理提示词。
Chains：把多个调用串联，理解 LCEL（LangChain Expression Language）这种新的组合语法。
Memory：让对话具备上下文记忆能力。
Retrieval / RAG：接入向量数据库，实现基于文档的问答——这是目前最常见的落地场景。
Tools 与 Agents：赋予模型调用外部工具的能力，这是 agentic 的核心。

每学一个组件，务必跑通一个最小可运行的例子，而不是只读文档。

其中 RAG（Retrieval-Augmented Generation，检索增强生成）值得单独说明，因为它是目前企业级 AI 应用落地最广泛的模式。LLM 的训练数据有截止日期，也无法内置每家公司的私有文档。RAG 的做法是：先将文档切片并转化为向量嵌入（embedding），存入向量数据库（如 Chroma、Pinecone、FAISS）；用户提问时，系统先在向量库中检索出语义最相关的文本片段，再将这些片段连同问题一起塞入 prompt，让模型基于这些「上下文」作答。整个流程相当于给模型配备了一个「实时查阅资料」的能力，既解决了知识过期的问题，也让模型能处理私有数据。LangChain 对 RAG 流程提供了完整的封装，包括文档加载器（Document Loaders）、文本分割器（Text Splitters）、向量存储接口以及检索链，学习这部分时可以把它当作一个完整的小系统来理解，而不只是一个孤立组件。

第三阶段：进阶到 LangGraph 与智能体编排

当你能用 LangChain 搭出一个会用工具的 agent 后，再学 LangGraph：

理解 State（状态）、Node（节点）、Edge（边） 三个概念。
实现一个带循环的 ReAct 式智能体（推理→行动→观察→再推理）。
尝试多智能体协作，比如一个负责规划、一个负责执行。

ReAct（Reasoning and Acting）是目前最主流的智能体推理框架之一，由普林斯顿大学与谷歌在 2022 年提出。其核心思想是将「推理轨迹」与「行动执行」交替进行：模型先用自然语言写出当前的思考（Thought），然后决定执行某个动作（Action），系统返回执行结果（Observation），模型再基于新信息继续推理——如此循环，直到得出最终答案。这种设计的优势在于推理过程可解释、可调试，模型的每一步「想法」都以文字形式输出，便于开发者判断哪个环节出了问题。LangGraph 非常适合实现 ReAct：推理节点和工具调用节点分别对应图中的不同 Node，循环逻辑通过条件边（Conditional Edge）实现——当模型判断任务未完成时，边指回推理节点；完成时则指向终止节点。理解 ReAct 的运作机制，有助于在调试 agent 行为异常时更快定位根因。

用项目驱动学习，而不是堆教程

学框架最容易陷入的陷阱是「教程看了一堆，自己写不出来」。更有效的方式是围绕一个具体项目反向学习：

入门项目：做一个能读取 PDF 并回答问题的 RAG 问答机器人。
进阶项目：做一个能联网搜索、调用计算器、整理结果的研究助手 agent。
综合项目：用 LangGraph 搭建一个多步骤任务的自动化工作流，比如自动调研某个话题并输出报告。

做项目的过程中遇到不懂的点，再回头查文档和概念，这种「问题驱动」的学习效率远高于被动看完整套课程。

几条实用建议

紧跟官方文档。LangChain 迭代极快，API 变动频繁，社区里过时的教程可能让你踩坑。遇到冲突时以官方文档为准。

善用官方的 LangChain Academy 和示例仓库。官方提供了结构化的学习材料和大量可运行的 notebook，比零散博客更系统。

从小处迭代。不要一开始就想搭一个复杂的多智能体系统，先让一个最简单的 agent 稳定跑起来，再逐步叠加能力。

理解框架之下的原理。LangChain 本质是对 LLM 调用模式的封装。理解它背后在做什么，即使将来换成别的框架（如 LlamaIndex、CrewAI 或直接手写），你的能力也能迁移。

写在最后

从零学 LangChain 并不难，难的是建立「概念理解 → 组件掌握 → 项目实战」的完整闭环。与其焦虑该不该用 LangChain 还是 LangGraph，不如先动手跑通第一个 RAG 问答。工具会变，但对智能体工作流的理解——如何让模型做决策、调工具、管状态——是真正能沉淀下来的能力。