LangChain 1.3 入门指南：大模型与Agent核心概念解析

为什么LangChain成了大模型岗位的硬门槛

如今打开招聘网站，越来越多的岗位在技能栏里写着「大模型」「LangChain」「LangGraph」这样的关键词。不少有多年经验的开发者——无论做过前端、测试还是Java后端——在跳槽时才发现，市面上的AI相关岗位几乎都要求这套技术栈。这也是LangChain这类AI应用开发框架快速升温的直接原因。

据B站马士教育相关课程的讲解，LangChain本质上并不是一个高深难懂的东西，它就是一个开发AI应用的框架。真正需要理解的，是它为什么会出现，以及它解决了大语言模型（LLM）本身的哪些天然缺陷。搞清楚这一点，后面的Agent、DeepAgent乃至Harness架构都能顺理成章地理解。

需要提醒的是，网络上流传的很多LangChain免费教程，讲的往往是0.2、0.6、0.8等较早版本，而当前最新的是1.3版本。1.0之前的版本在实际开发中已基本不再使用，学习价值有限。本文以1.3版本的知识体系为基础展开。

大语言模型的三个天然短板

要理解框架存在的意义，得先认清大模型本身「不能做什么」。课程中把大模型的局限概括为三点，这三点几乎决定了整个AI应用框架的设计思路。

第一，知识有时间截止点。 大模型是基于某个时间点之前的互联网数据训练出来的。它只知道训练截止时刻之前的知识，对于之后发生的事件、更新的信息一无所知。

第二，模型本身没有记忆。 这是很多初学者会误解的地方。你告诉模型「我叫张三」，它会礼貌回应；但在下一轮对话里问它「我叫什么」，模型其实是记不住的——因为它本身不具备记忆存储能力。我们平时用的对话产品之所以能「记住」，是外部系统在帮它维护上下文，而非模型的功能。

第三，无法主动获取外部数据。 由于知识存在截止点，模型无法接触到你自己业务里的实时数据。要让它服务于具体业务，就需要给它绑定工具（Tools），通过工具去获取额外的知识和数据。

这里有个重要认知需要纠正：学大模型应用开发，并不是去研究算法。模型的能力已经摆在那里，我们要做的是把这份能力用起来，更好地服务业务、构建AI应用，而不是去自己训练或研究底层算法。

LangChain到底解决了什么

把思路退回到大模型刚出现的阶段：模型的记忆、工具调用、上下文管理这些问题，如果每个开发者都自己从零实现，成本极高。于是一批AI应用框架应运而生，系统性地把这些能力封装了起来。

LangChain的核心价值体现在几个方面：

统一的模型接口。 过去调用不同厂商的大模型，每家都有各自独立的接口，代码写法五花八门，每换一个模型就要改一次代码。有了统一框架后，你只需替换模型名称，上层框架已经帮你兼容了各家厂商的大模型，不再需要关注底层的接口差异。

模块化架构。 大模型运行时涉及状态、上下文、历史消息、工具调用、提示词、中间件等诸多要素，LangChain把这些拆分成独立模块进行管理，让开发者可以灵活组合。

记忆与上下文管理。 前面提到模型本身不记事，而框架能在不需要开发者额外介入的情况下，自动维护对话状态、记忆和上下文。

课程中还提到，同类框架还有Claude SDK、OpenAI SDK等，但在实际企业环境里，LangChain和LangGraph用得最多。开发语言方面，超过90%的公司使用Python——一方面大模型私有化部署（如vLLM）必须依赖Python生态，另一方面LangChain/LangGraph作为最早一批（大约在框架兴起初期就已出现）的AI应用框架，生态最成熟，几乎所有新模型推出API时都会优先支持它。

从LLM到Agent，再到DeepAgent

这套技术栈的层次关系是理解招聘要求的关键。招聘网站上频繁出现的「Harness架构」其实是一种架构思想，涵盖上下文管理、工具管理、执行状态管理、上下文压缩、提示词等一整套内容。

这套架构思想的一种具体实现，就是DeepAgent。而DeepAgent并非凭空而来——它是在LangChain / LangGraph框架内部高度封装出来的产物，底层依赖的正是大模型（LLM）加上Agent。再往下看，Agent的底层是LangGraph（本质是一种Graph图结构），DeepAgent则是基于「Agent + LangGraph」实现的。

因此，尽管有观点认为「LangGraph不用了」，但从底层依赖关系看这种说法并不准确。LangGraph依然重要，只是其中的工作流（Workflow）部分在实际开发中用得相对少一些。理清LLM → Agent → DeepAgent 这条脉络，就能明白为什么入门要从大模型和Agent这两个基础概念讲起。

Agent（智能体）是理解这条技术脉络的关键节点，值得单独说明。简单来说，Agent是一种能够「自主决策、调用工具、循环执行」的AI程序模式：开发者给定一个目标，Agent会自行判断需要调用哪些工具、以什么顺序执行、当前结果是否满足要求，并持续循环直到完成任务，而不是像普通问答那样一问一答就结束。LangGraph则是实现Agent这种循环决策逻辑的图结构框架——它把Agent的执行过程建模为有向图（节点代表步骤，边代表跳转条件），从而支持分支、循环、并行等复杂控制流。传统LangChain的链式（Chain）结构只能线性执行，而LangGraph的图结构让多步骤、有状态的自主任务成为可能，这也是为什么更复杂的DeepAgent必须依赖LangGraph而非简单的Chain来实现。

LangChain的应用场景

从应用角度看，几乎所有能想到的、需要把AI能力和实际业务结合落地的场景，都可以用LangChain来实现。只要是与业务相关、需要AI结合的落地需求，这套框架基本都能覆盖。

据课程介绍，其完整的知识体系已涵盖八个部分：环境介绍与配置、Model（模型）、智能体（Agent）、短期记忆、长期记忆、人机协同（Human in the loop / HITL）、安全护栏（Guardrails），以及Agent上下文与Runtime运行时的管理。其中人机协同和安全护栏也是面试中的高频考点。此外，MCP、RAG（Retrieval检索）以及系统化的LangGraph内容也在持续更新的规划中。

对于想入行大模型应用开发的人来说，LangChain 1.3是一个值得从最新版本切入的框架。它并不难，难的是理清概念之间的层级关系——而这恰恰是本文希望帮你厘清的部分。

文中提到的**RAG（Retrieval-Augmented Generation，检索增强生成）**是目前企业落地AI应用最主流的技术路线之一，本质上是解决大模型「知识有截止点」和「无法访问私有数据」这两大短板的标准方案。其工作原理是：将企业内部文档、数据库等私有资料预先切片并转化为向量存入向量数据库；用户提问时，系统先从向量库中检索出最相关的文本片段，再将这些片段连同问题一起作为上下文喂给大模型，从而让模型基于「实时检索到的知识」来回答，而非仅凭训练时的静态记忆。**MCP（Model Context Protocol）**则是Anthropic（Claude母公司）推出的开放协议，旨在标准化大模型与外部工具、数据源之间的连接方式，可以理解为AI应用世界里的「USB接口」——让不同工具和模型之间的对接更加规范统一，LangChain已逐步支持MCP集成。