LangChain入门指南:从大模型局限到Agent开发

LangChain 是在大模型 API 之上补齐外部数据、工具与状态管理的应用开发框架。
文章从初学者最常见的疑问出发,指出原生大模型 API 存在知识截止、与业务数据脱节、没有会话保持三大局限,这正是 LangChain 出现的直接原因。LangChain 的名字来自 Language 与 Chain,定位不是替代大模型,而是在模型推理能力之外以插拔方式扩展外部数据接入、工具调用、状态与历史对话管理以及安全管理。文章还提醒 LangChain 1.0 之后架构做了调整,LangChain 与 LangGraph 归入统一的 graph 流体系,Agent 能力背后实际是 LangGraph。在资料获取上,中文官网适合入门但内容不全,非初学者应直接阅读英文官网。学习路径建议先理解框架要解决的问题,再进入项目创建与代码编写。
LangChain 是什么?为什么有了大模型 API 还需要它?这是很多初学者打开教程前的第一个疑问。B站一套面向零基础的 LangChain 全套教程从框架由来、核心特点讲到项目落地,本文把其中第一章的关键信息梳理成一条清晰的认知路径,帮你先建立正确的定位。
大模型 API 的三个局限
OpenAI 的 GPT、DeepSeek广告 等模型都提供了成熟的 API,直接调用就能完成推理和问答。但教程指出,原生大模型 API 存在三点局限。

第一是知识截止。模型只掌握训练时间点之前的数据,训练之后发生的内容它无法回答。
第二是与业务数据脱节。模型的回答基于训练语料,跟企业内部数据、具体业务场景没有关系。想让它结合公司数据库作答,原生模型并不具备获取外部数据的能力。
第三是没有会话保持。单独的大模型是一问一答,不具备历史聊天记录和状态管理能力。用户感受到的“记忆”功能,往往是应用层额外添加的。

这三点局限,正是 LangChain 这类框架出现的直接原因。
知识截止(Knowledge Cutoff) 指的是大语言模型在训练完成后,其参数中固化的知识停留在训练数据收集的时间点,此后发生的事件、新发布的文档、新出现的产品都无法被模型原生感知。例如一个训练数据截止到 2024 年初的模型,无法回答 2025 年的新闻。实际应用中通常通过检索增强生成(RAG)把最新资料检索出来再拼进提示词,或通过联网搜索工具让模型实时获取信息,这也正是 LangChain 这类框架要补的能力之一。
LangChain 的定位与命名由来
LangChain 是一个用于开发大模型驱动应用的开源框架。名字来自两个词:Language(语言模型)和 Chain(链式连接),合起来就是“语言模型 + 链式连接”。
它要解决的问题,就是在大模型原生能力之上做扩展。按照教程的说法,这些扩展以插拔式功能的形式提供:连接外部数据、调用工具获取信息、管理状态与历史对话、以及安全管理等。

换句话说,LangChain 不是替代大模型,而是在模型推理能力之外,补上应用层需要的那一圈“外设”。理解这一点,后面学 Agent、学工具调用就不会跑偏。
教程提到 LangChain 于 2022 年 10 月发布,这个时间点可以作为一个背景参考。
Chain(链) 是 LangChain 最核心的抽象:把「提示词模板 → 模型调用 → 输出解析」等若干步骤串成一条可复用的处理流水线,前一步的输出作为后一步的输入。有了链,原本散落在业务代码里的多步调用被封装成声明式组件,便于组合、复用和调试。LangChain 早期以各类 Chain 为主要组织方式,后来随着 Agent 与图结构编排的兴起,链的职责逐渐被更灵活的工作流与图编排承接,但「把多个环节连接起来」这一设计思想始终没变。
1.0 之后的架构调整:LangChain 与 LangGraph
教程中特别提醒了一个容易混淆的点:LangChain 在 1.0 版本之后做了架构调整。原本相对独立的 LangChain 和 LangGraph,现在都归入 graph 流(教程中称为 graph2)的体系之下。
对于 Agent 相关的能力,教程指出其背后实际上就是 LangGraph。两者关系的细节,教程表示会在后续讲到 Agent 和 LangGraph 时再展开。

对初学者来说,现阶段只需要建立一个印象:LangChain 生态在 1.0 后做了重组,LangChain 与 LangGraph 不再是两个互不相干的工具,而是同一套体系里的组成部分。
LangGraph 是 LangChain 生态中面向有状态、多步骤、可循环流程的编排框架,它把应用建模为一张「图」:节点代表一个处理步骤(调用模型、执行工具、做判断),边代表步骤之间的流转,并支持条件分支、循环和持久化状态。相比线性的 Chain,图结构更适合实现需要反复思考与调用工具的 Agent。LangChain 1.0 之后将 Agent 等能力统一收敛到这套图体系之下,因此理解 LangGraph 是深入 LangChain 应用开发的必经一步。
官网怎么看:中英文的选择建议
LangChain 有英文官网和中文官网两个入口。教程给出的建议比较务实:
- 初学者可以先看中文官网,内容由自动翻译而来,对入门友好;但中文站存在内容缺失,不够完整。
- 非初学者建议直接看英文官网,配合浏览器翻译插件阅读,内容最全。
这个建议背后其实是个通用规律:翻译站点适合建立概念,原始文档才适合查细节和跟进版本变化。
快速上手要做什么
教程第一章后续会带大家创建 LangChain 项目、编写代码并运行起来,形成一个可跑通的最小闭环。对于零基础学习者,这条路径的价值在于:先看清框架解决什么问题,再动手写第一行代码,比一上来就堆 API 调用更容易建立体系感。
常见问题
LangChain 和大模型 API 是什么关系? LangChain 是构建在大模型 API 之上的应用开发框架,负责补上外部数据接入、工具调用、状态管理等应用层能力。
零基础能直接学 LangChain 吗? 可以。教程的设计就是从概念认知开始,再进入项目创建和代码编写,前提是对大模型的基本调用方式有初步了解。
中文官网够用吗? 入门阶段够用,但内容不完整,深入学习和排查问题时建议以英文官网为准。
相关推荐

T3 Code实测:MIT开源的多Agent编程控制台
MIT开源项目T3 Code深度实测:不转卖Token,直接接管本机原厂CLI,支持ACP协议与Git Worktree隔离,实现多Agent并行写代码、自动审查与手机远程审批,解决AI编程窗口切换地狱。

AI真解决了黑洞物理难题?Anthropic声明存疑
Anthropic 称 Claude Fabel 5.2 帮助解决两个黑洞相关理论物理问题,但公告未点名问题、未展示推导,且混淆了定理形式化与发现新定理。本文拆解该声明的真实分量,并给出判断「AI 解决科学」声明的三个关键问题。

用Claude从零打造AI副业:10种变现路径解析
解析只用Claude从零做AI副业的10条变现路径:语音代理、数字产品、数据标注、企业自动化与行业垂直工具,并评估每条路径的真实门槛与可行性边界。