LangChain入门：Agent开发框架核心解析

为什么大模型应用开发绕不开LangChain？

在智能体（Agent）开发领域，LangChain 几乎是每位开发者最先接触的框架。B站这期保姆教程从最基础的概念切入，尝试回答一个问题：我们到底为什么要用 LangChain，而不是直接调模型 API？

答案藏在框架的定位里。据视频讲解，LangChain 本身是一个用于开发由大语言模型驱动的应用程序的开源框架。它并非简单的 API 封装，而是一个提供了预构建智能体架构和丰富工具集成的开发框架——视频作者用了一个形象的类比：如果你写过 Java，可以把 LangChain 在 Agent 开发中的角色理解成 Spring 在 Java 生态中的位置。

这个类比点出了关键：LangChain 的价值不在于“能不能调通模型”，而在于它提供了一套结构化的开发范式，让开发者不必从零搭建复杂的集成架构。

大模型的三个先天短板，LangChain 如何补齐

理解一个框架，先要看它解决了什么问题。视频将大语言模型的局限归纳为三个宏观维度，这也是 LangChain 存在的核心理由。

知识受限于训练数据

模型的认知停留在训练时间节点。如果模型的训练数据截止到某个日期，它就无法回答此后的新闻、天气等信息。视频特别澄清了一个常见误解：用户觉得某些助手“什么都知道”，实际上那已经是封装过的应用，而非裸模型的能力。LangChain 通过 Function Call 机制，让开发者自行调用工具去获取模型本身拿不到的数据。

Function Call（函数调用） 是大模型提供的一种结构化输出能力：开发者预先声明可用的工具函数及其参数格式，模型在对话中判断需要调用某个函数时，会返回一个符合该格式的 JSON 对象，而不是直接给出自然语言答案。应用程序解析这个 JSON、真正执行函数（如查询天气 API、检索数据库），再把结果回传给模型，由模型整合成最终回复。它的意义在于把“模型生成”与“真实世界操作”解耦——模型只负责决策调用什么、传什么参数，实际执行由外部代码完成，因此结果可靠、可审计。LangChain 对这一机制做了统一封装，使不同厂商模型的工具调用接口可以用一致的写法接入。

无法直接与外部系统交互

模型本身不能调用第三方 API 查天气，不能访问公司内部数据库，也做不了复杂的精确运算。视频提到，即便是加减乘除这类运算，模型也可能算不准确，而通过 Function Call 拿到反馈后自行实现计算逻辑，就能得到可靠结果。LangChain 的工具集成能力正是为这类场景准备的。

不具备状态保持能力

大模型本质上是“一问一答”，它并不天然记得你上一轮问了什么。多轮对话中能够关联上下文，靠的不是模型自身，而是应用层做了记忆管理。这也是 LangChain 重点解决的问题之一——短期上下文记忆与长期记忆的实现，构成了 Agent 对话能力的基础。

短期记忆与长期记忆是 Agent 记忆管理的两个层次。短期记忆通常指当前会话的上下文窗口，实现方式是把历史消息按轮次拼接进 prompt，并配合截断、摘要等策略控制 token 消耗；它依赖模型的上下文长度，会话结束即消失。长期记忆则把信息持久化到外部存储，常见做法是将对话或文档切块后通过嵌入模型转为向量，存入向量数据库，对话时按语义相似度检索相关片段再注入 prompt。二者解决的问题不同：短期记忆维持对话连贯，长期记忆让 Agent 跨会话记住用户偏好与领域知识。LangChain 分别提供了对应的记忆组件与向量存储集成。

名字里的玄机：Lang 与 Chain

视频对 LangChain 的命名做了解读：Lang 代表 Language（大语言模型），Chain 代表链式交互的组合。通俗地说，就是把大语言模型与计算机中的其他资源以链式方式连接起来，让它们之间能够交互，从而构建出更强大的 AI 应用或智能体。

这一命名逻辑也解释了框架的设计哲学——单个模型的能力有限，但把模型、工具、数据源、记忆组件串成一条链，就能突破单点能力的边界。

Chain（链） 在 LangChain 中指的是一系列可组合的调用步骤：一个链的输入经过提示模板、模型调用、输出解析等环节，逐级传递并最终产出结果。早期 LangChain 以各类预置 Chain 为核心抽象，开发者通过串联组件快速搭建流程；随着应用复杂化，单纯线性链难以表达分支、循环与条件判断，框架逐步转向以 LangGraph 为代表的图结构编排，用节点和边描述 Agent 的状态流转。理解 Chain 这一概念，有助于读懂大量既有教程与代码示例，也能解释框架为何从“链”演进到“图”。

文档体系与学习路线

LangChain 生态一直在迭代，视频强调学习时应以官方文档为主要参考。据讲解，官方体系主要包含 LangChain、LangGraph、DeepAgents 以及 LangSmith 等组件，其中 LangChain 是入门的第一站。官方文档提供了中英文版本，中文版基本同步更新，代码示例一致，英文能力有限的学习者可以直接看中文版，但最新更新仍以官方英文文档为准。

文档中对 LangChain 的整体定义是“模型加封装框架”，并提供了高度可配置的 Agent 封装能力，可用于与各类模型交互。对于初学者而言，先建立这个宏观认知，再进入具体 API 的练习，路径会更清晰。

写在最后

这期教程的价值在于把 LangChain 从“又一个要学的框架”还原为“解决模型缺陷的工程方案”。三个短板——知识受限、外部交互缺失、状态无法保持——对应了工具调用、系统集成与记忆管理三大能力模块。理解了这层对应关系，后续学习短期记忆与向量长期记忆的实现原理时，就不会觉得是在背 API，而是在补全一个完整的 Agent 架构。