LangChain 1.3实战指南：框架思维与Agent开发核心要点

在AI工具层出不穷的时代，很多开发者陷入了一个困境：不断追赶新工具，却始终没有形成自己的核心能力。B站UP主楼兰在其LangChain 1.3课程中提出了一个值得深思的观点——与其追逐上层产品，不如掌握底层框架。本文将结合这一课程内容，梳理LangChain 1.3的核心价值以及背后的开发思维转变。

为什么要学底层框架而非上层工具

从早期的Cursor到后来的Claude Code、Codex，AI编程工具正在以惊人的速度更新迭代。许多人把"学AI"等同于"学工具"，认为哪个工具离应用最近，学习性价比就最高。但这种思路存在明显的局限。

在软件工程中，"底层框架"与"上层工具"的关系类似于操作系统与应用程序的关系。框架（Framework）提供了一套可复用的基础架构和设计模式，开发者在其上构建具体应用；而工具（Tool）则是已经封装好的成品，用户只能在其预设的功能范围内操作。以AI编程领域为例，Cursor、Claude Code等产品本质上是在LangChain、LlamaIndex等框架能力之上，叠加了特定的UI设计、工作流编排和产品逻辑。当你理解了框架层的Prompt编排、工具调用、记忆管理等核心机制后，即便某个产品停服或限制使用，你仍然可以基于相同的底层能力快速搭建替代方案。这种"框架优先"的学习策略在软件工程史上已经被反复验证——从早年的jQuery与原生JavaScript之争，到后来React/Vue框架与各种UI组件库的关系，掌握底层框架的开发者总是能更快适应生态变化。

楼兰在课程中直言不讳地指出：所有上层工具都带着开发者自身的想法。当你的需求与工具设计者的思路不一致时，或者当工具因为各种原因无法使用时，你就会陷入被动。他特别以Claude Code为例——由于对国内用户的安全限制层层加码（包括捕捉IP、时区等信息并给账号打标签），许多国内开发者面临无法正常使用的窘境。如果你的整个项目都必须依赖某个特定产品才能完成，那么"到底是你在玩工具，还是工具在玩你"就成了一个现实问题。

这正是学习LangChain这类底层框架的意义所在。这些流行产品本质上都是基于底层框架构建出来的。理解了框架的底层逻辑，即便无法直接修改闭源产品，你也可以基于相同的特性做定制化开发，解决自己身边的实际问题。对于大多数人来说，我们真正需要的不是一个给所有人用的通用工具，而是解决自身具体问题的能力。

AI编程的两大认知误区

课程中揭示了当前AI开发者普遍存在的两个认知误区，这部分内容尤其发人深省。

误区一：提示词写得越完整效果就一定越好

很多短视频宣称通过优化提示词或context engineering，就能把RAG准确率从60%提升到90%。楼兰对此提出质疑：我们与大模型的所有交互都基于自然语言，那么自然语言描述的效果如何精确打分？这背后一定需要严谨的验证方法，而非"上嘴唇碰下嘴唇"那么简单。

这里有必要解释一下相关的技术背景。Context Engineering（上下文工程）是2024-2025年兴起的概念，指的是系统性地设计和管理输入给大语言模型的所有上下文信息，包括系统提示词、用户历史对话、检索到的外部知识、工具调用结果等。它比单纯的Prompt Engineering范围更广，强调的是整个信息流的架构设计。如果说Prompt Engineering关注的是"怎么写好一句话"，那么Context Engineering关注的是"怎么组织好模型看到的一切信息"——从token预算分配、信息优先级排序，到动态上下文窗口管理，都属于其范畴。RAG（Retrieval-Augmented Generation，检索增强生成）则是一种典型的上下文工程实践——先从知识库中检索相关文档片段，再将其作为上下文注入模型，以提升回答的准确性和时效性。RAG的工作流程通常包括文档分块（Chunking）、向量化嵌入（Embedding）、相似度检索（Similarity Search）和结果重排（Reranking）等多个环节，每个环节的参数选择都会影响最终效果。但正如文中所述，这类优化的实际效果需要通过严格的评估体系（如人工标注对比、RAGAS等自动化评测框架、A/B测试等）来量化验证，而非仅凭主观感受判断。

更关键的是，把大模型想象成人来沟通——人与人之间即便把需求说清楚，对方也未必能完全get到，扯皮的事情屡见不鲜。凭什么相信大模型就一定能理解你完整的提示词？因此，好的提示词必须经过训练、验证和迭代，而这一切都离不开快速实践的能力：有想法就快速做一个小demo验证一下。没有实践，所有提示词都是空谈，花掉的token也是白费。

误区二：忽视token成本的规划

随着大模型使用深入，很多人发现钱越花越多，产出却越来越难衡量。这不仅是个人的困境，连微软、亚马逊、谷歌这样的大厂也从最初的"全员AI"转向"限制token"。

要理解这一问题的严重性，需要了解Token经济学的基本概念。Token是大语言模型处理文本的基本单位，不同模型使用不同的分词器（Tokenizer），英文中大约每个单词对应1-1.5个token，中文每个汉字通常对应1.5-2个token。模型的计费通常按输入token和输出token分别计价，例如GPT-4o的价格约为输入$2.5/百万token、输出$10/百万token，而Claude 3.5 Sonnet的价格为输入$3/百万token、输出$15/百万token。值得注意的是，不同模型的token定价差异巨大——开源模型通过本地部署可以将边际成本降至接近零，但需要承担GPU硬件的固定投入。在Agent场景下，由于涉及多轮推理、工具调用和任务分解，单次任务的token消耗可能是普通对话的数十倍甚至上百倍。以一个典型的多步骤Agent任务为例：每一轮"思考-行动-观察"循环都需要将完整的上下文（包括系统提示词、历史推理过程、工具返回结果）重新发送给模型，这导致token消耗随步骤数呈近似线性甚至超线性增长。这就是为什么大厂开始对内部AI使用实施配额管理——无节制的token消耗会导致成本失控，而产出却难以线性增长。

楼兰给出的解决思路是：要像规划系统架构一样规划token的使用。他以主流Agent产品的任务规划能力为例——复杂任务会被拆解为多个子步骤，由不同Agent依次完成。但问题在于，如果某个中间步骤出错（比如联网查资料时网络波动导致失败），传统做法要么直接报错，要么回过头重跑整个任务，token就这样如流水般消耗掉。

而LangChain提供了一个专业工具——时间回溯（time travel），它能把任务的整个执行过程保存下来。当发现某一步骤有问题时，可以选择从出错的步骤开始重跑，前面成功的步骤无需重复计算。

从技术实现来看，LangGraph中的时间回溯功能本质上是一种基于检查点（Checkpoint）的状态管理机制。在Agent执行多步骤任务时，框架会在每个关键节点自动保存完整的执行状态（包括已完成的推理结果、中间变量、工具调用返回值等）到持久化存储中。LangGraph内置了多种Checkpointer实现，包括内存存储（MemorySaver）、SQLite、PostgreSQL等，开发者可以根据场景需要选择合适的持久化方案。当某个后续步骤失败时，开发者可以通过API回溯到任意历史检查点，修改输入或调整策略后重新执行，而无需从头开始。这与数据库中的事务回滚（Rollback）、Git中的版本回退（git reset/revert）思想一脉相承，但应用在AI Agent场景中则直接带来了token成本的显著节约和调试效率的大幅提升。此外，这种检查点机制还支持"人机协作"模式（Human-in-the-Loop）——Agent可以在关键决策点暂停执行，等待人类审核确认后再继续，这对于高风险场景（如金融交易、医疗诊断）尤为重要。掌握了这类工具，你才能真正做到把钱花在刀刃上，让每一分token都用在解决问题的核心处。

LangChain的独特优势与课程设计理念

在众多Agent开发框架中（如LlamaIndex、Spring AI等），为什么特别推荐LangChain？楼兰给出了两个核心理由。

经验最丰富、生态最活跃

第一，LangChain是最早的Agent开发框架之一，积累的问题和经验最多，就像找一个经验丰富的人帮忙更靠谱。LangChain于2022年10月由Harrison Chase创立，最初是一个简单的Python库，用于将大语言模型与外部数据源和工具连接起来。经过两年多的快速迭代，它已经发展成为一个包含LangChain核心库、LangGraph、LangSmith（可观测性平台）、LangServe（部署工具）在内的完整生态体系，GitHub星标数超过10万，是AI Agent领域最具影响力的开源项目之一。第二，它的生态极为活跃。像MCP、Skill这些最初由Claude Code等产品提出的标准，LangChain都能快速提供直接支持。

这里需要解释一下这些新兴标准的含义。MCP（Model Context Protocol，模型上下文协议）是Anthropic于2024年底推出的开放标准，旨在为大语言模型提供统一的外部工具和数据源连接方式。它定义了模型如何发现、调用和接收外部资源的标准化接口，类似于USB协议为各种外设提供了统一的连接规范。在MCP出现之前，每个AI应用接入外部工具都需要编写特定的适配代码，而MCP通过定义统一的Server和Client规范，使得一个工具只要实现了MCP Server接口，就可以被任何支持MCP Client的AI应用无缝调用。Skill则是一种可复用的Agent能力单元封装标准，允许开发者将特定领域的工具调用链、提示词模板和处理逻辑打包为可分发的"技能包"。这种设计理念类似于软件工程中的微服务架构——将大而全的单体Agent拆分为多个独立的、可复用的能力模块。LangChain对这些新兴标准的快速集成，体现了其作为生态核心框架的敏捷性和包容性。

以Skill为例，在其Deep Agents模块中已经直接集成，下载一个API即可使用，开发者完全不用关心底层协议的具体实现。

更重要的是，LangChain处于整个Agent框架生态的"风暴核心"。它基于Python和TypeScript开发，一旦真正掌握，语言和框架的迁移障碍就荡然无存——想转Java有Spring AI、LangChain4j，想用图结构有LangGraph4j、Spring AI Graph。这些框架的底层思想是相通的，因为它们共享了相同的核心抽象：模型接口封装、提示词模板管理、工具调用协议、记忆与状态管理、输出解析等。掌握LangChain相当于打通了周边众多框架的任督二脉。

三大课程设计原则

这门课程遵循三个明确的设计原则：重体系不重功能、重实战不重理论、重思想不重代码。

有意思的是，此次课程将LangChain和LangGraph做了统一整合。此前两者常被当作独立课程讲授，因为它们构建Agent的思路差异较大。但从本质上看，二者都是LangChain大框架下的不同模块，底层封装大模型交互的能力是相通的——比如ChatModel的调用接口、StructuredOutput的输出解析、ToolCalling的工具绑定机制，这些在LangChain和LangGraph中是完全共享的。课程将这部分共同底座抽离出来，称为"Agent的底层基座"，从而让上层的构建思路自然贯通。

LangChain、LangGraph与Deep Agent的关系解析

理解这三者的关系是掌握LangChain体系的关键。

• LangChain（Chain模式）：这是最经典的Agent构建思想，由程序员提前制定流程分支——问题来了应该怎么走。Chain（链）模式源自LangChain最初的设计哲学——将多个处理步骤串联成一条链式管道，数据按固定顺序流经每个节点。在代码实现上，LangChain使用LCEL（LangChain Expression Language）来声明式地定义链，例如 chain = prompt | model | output_parser，这种语法直观地表达了数据从提示词模板到模型再到输出解析器的流转过程。Chain模式适合流程确定、分支简单的场景，如固定格式的文档摘要、模板化的客服问答等，开发者需要预先定义所有可能的执行路径。目前企业中用得相对较少，但作为一种思路补充仍有价值，尤其在需要严格控制执行流程和输出格式的场景下。

• LangGraph（Graph模式）：相比Chain更加灵活，LangChain能做的事LangGraph基本都能做，而且实现得更优雅，因此企业应用更广泛。Graph（图）模式将Agent的执行流程建模为有向图（Directed Graph），其中节点（Node）代表处理步骤——可以是一次模型调用、一次工具执行或任意Python函数，边（Edge）代表状态转移条件——可以是无条件跳转、基于条件的分支或循环。图模式的核心优势在于支持循环（Cycle）——这是实现ReAct（Reasoning + Acting）等Agent推理范式的基础，Agent可以在"思考→行动→观察"的循环中反复迭代直到任务完成。同时，LangGraph内置了状态持久化能力（通过前文提到的Checkpointer机制），使得Agent可以暂停、恢复、回溯，并且天然支持流式输出（Streaming），能够实时向用户展示Agent的推理过程。这种灵活性使其更适合企业级复杂Agent的构建。

• Deep Agent：底层基于LangGraph构建，属于"自主智能体"。它与前两者最大的区别在于——任务规划全部交给大模型自己完成，由大模型自主规划任务、自主执行。自主智能体（Autonomous Agent）代表了当前AI Agent发展的最前沿方向，其灵感部分来源于认知科学中的"感知-决策-行动"循环。在技术实现上，自主智能体的核心循环通常为：观察环境（获取当前状态和可用工具信息）→思考下一步（通过大模型进行推理和规划）→执行动作（调用工具或生成输出）→评估结果（判断任务是否完成或是否需要调整策略）→决定是否继续。这种模式的优势在于能处理开放式、非预定义的复杂任务，比如"帮我调研某个行业的市场现状并生成分析报告"这类需要多步骤、多工具协作的任务。但它也带来了可控性（模型可能偏离预期路径）、可预测性（执行步骤数不确定）和成本控制（token消耗上限难以预估）方面的挑战。Deep Agent在LangGraph基础上构建，意味着它继承了图模式的状态管理和检查点能力，同时在此之上实现了模型自主决策的逻辑层，开发者可以通过设置最大迭代次数、定义终止条件、配置人工审核节点等方式来平衡自主性与可控性。

楼兰强调，虽然实际工作中可能只专精某一种思路（比如大多用LangGraph就够了），但接触越多的构建思想，才能积累越坚实的基石。就像学数据库，如果对其他技术一无所知，就无法理解数据库在整体架构中的定位，也就难以深入。

从零实战：构建完整的AI应用体系

课程的最大特色在于大量的实战案例，而非纸上谈兵。其中一个亮点是"从零开始构建医疗多智能体项目"——从设计开始，仅凭一张流程图，一行一行手敲代码。这种方式虽然对Python基础和应用开发能力有一定要求，但正是通过亲手实践，那些"对Python不熟""没有应用开发基础"的困扰才能真正被解决。

多智能体（Multi-Agent）架构是当前Agent开发的主流范式之一，它将复杂任务分配给多个专门化的Agent协同完成。以医疗场景为例，可能涉及"症状分析Agent"（负责解析患者描述并提取关键症状）、"医学知识检索Agent"（基于RAG从医学文献和指南中检索相关信息）、"诊断建议Agent"（综合症状和检索结果给出初步诊断方向）和"用药推荐Agent"（根据诊断结果查询药物数据库并考虑药物相互作用）等多个角色，每个Agent专注于自己的能力域，通过消息传递和状态共享协作完成整体任务。这种架构设计的核心挑战在于：Agent间的通信协议设计（如何定义消息格式和传递方式）、任务分配策略（采用中央调度器还是去中心化协商）、错误处理机制（单个Agent失败时如何降级或重试）、以及结果一致性保障（多个Agent的输出如何整合为一致的最终结果）。LangGraph的图模式天然适合建模这种多Agent协作场景——每个Agent作为图中的一个节点，通过共享的State对象传递信息和协调工作。

此外，课程还补充了本地大模型部署的内容。对于不想消耗token调用远程服务，或出于数据安全考虑需要私有化部署的企业用户，本地调用是刚需——毕竟把私密信息交给第三方云服务终究存在风险。本地部署通常基于Ollama、vLLM或llama.cpp等推理框架，将开源大模型（如Meta的Llama系列、阿里的Qwen系列、DeepSeek^广告等）部署在本地GPU服务器上，通过兼容OpenAI API格式的接口对外提供服务。其中，Ollama以其简单的安装和使用体验（一条命令即可拉取和运行模型）成为个人开发者的首选；vLLM则凭借PagedAttention等技术优化，在高并发场景下提供更高的推理吞吐量，更适合企业级部署。这样既保证了数据不出域的安全性（满足GDPR、等保等合规要求），又能享受大模型的推理能力。课程还涉及如何用new API搭建中转站等实用技巧，帮助开发者在本地模型和云端模型之间灵活切换——这种"混合部署"策略在实际项目中非常实用，敏感数据走本地模型，非敏感任务走云端高性能模型，在安全性和效果之间取得最佳平衡。

结语：技术门槛在降低但思想门槛依然存在

楼兰在课程中反复强调一个核心观点：现在开发技术的门槛已经很低，但思想的门槛依然存在。同样使用大模型，有人效果出色，有人却收效甚微，差距正在于思维方式。

他建议每一位大模型使用者，即便不打算成为开发者，也应该培养"开发者的思想"——学会站在开发者的角度思考问题，才能把大模型用得更好。这种"开发者思维"的核心包括：理解系统如何分层（为什么同一个问题在不同模型上表现差异巨大？因为模型能力、上下文窗口、训练数据分布各不相同）、数据如何流转（提示词→分词器→注意力计算→生成→后处理，每个环节都可能引入信息损耗）、错误如何处理（模型输出格式不符预期时的回退策略、API调用超时的重试机制）、资源如何优化（在效果满足要求的前提下选择更小更快的模型、通过缓存减少重复调用）。当你具备这些思维模式后，无论是编写提示词、设计Agent工作流，还是评估AI产品的能力边界，都会比单纯的"用户视角"更加精准和高效。

在这个充满变化的AI时代中，唯有掌握底层框架与核心思维，我们才能成为自己技术成长的掌控者。

核心要点

• 底层框架优于上层工具：LangChain等框架提供的是可迁移的核心能力，而Cursor、Claude Code等产品可能因策略调整随时受限，掌握框架才能不受制于特定产品
• 提示词需要验证而非盲信：Context Engineering和RAG的效果提升需要通过严格的评估体系量化验证，好的提示词必须经过实践迭代
• Token成本必须系统规划：Agent场景下token消耗可达普通对话的数十倍，LangGraph的时间回溯（检查点）机制能有效避免重复消耗
• LangChain体系三层架构：Chain模式（固定链式流程）→ LangGraph（灵活图模式）→ Deep Agent（模型自主规划），三者共享底层基座，理解其关系是掌握整个生态的关键
• 生态核心地位：LangChain对MCP、Skill等新兴标准的快速集成，以及与Spring AI、LangChain4j等框架的思想互通，使其成为Agent开发的最佳入门选择
• 开发者思维是核心竞争力：理解系统分层、数据流转、错误处理和资源优化的思维方式，比掌握任何单一工具都更有长期价值