LangChain实战：为什么它仍是Agent开发的核心框架

在大模型工具层出不穷的今天，很多开发者陷入了一个怪圈：不断追逐新工具，却始终无法沉淀出真正解决问题的能力。B站UP主楼兰在其最新的LangChain 1.3版本实战课程中，提出了一套颇具深度的学习方法论。本文基于其分享内容，梳理为什么在Cursor、Claude Code、Codex等应用产品遍地开花的当下，深入底层框架LangChain反而是更明智的选择。

学工具还是学思想：Agent开发中被忽视的关键区别

当前AI学习领域普遍存在一个误区：把学习AI等同于学习工具。因为工具与应用直接接触，学完就能立刻做出成果，看似性价比最高。但楼兰指出，这种思路存在根本性问题。

在AI开发的技术栈中，存在一个清晰的分层结构。最底层是大语言模型本身（如GPT、Claude、Llama等），中间层是编排框架（如LangChain、LlamaIndex），最上层是面向终端用户的应用产品（如Cursor、Claude Code、Codex）。上层产品通常封装了中间层框架的能力，并加入了特定的交互设计和业务逻辑。理解这个分层关系，就能明白为什么学习中间层框架具有更高的迁移价值——它是连接模型能力与应用场景的关键枢纽。

从早期的Cursor、Trae，到后来的OpenClaw、小龙虾，再到如今的Claude Code、Codex，工具的迭代速度快得惊人。如果只是跟在工具后面追赶，很容易陷入疲于奔命的状态——学完之后既感到疲惫，又难以看到实际效果。

更关键的是，每一个工具都带有开发者自身的设计理念。一旦你的需求与开发者的想法不一致，就会陷入被动。楼兰以Claude Code为例指出，这款工具虽然好用，但近期对国内用户采取了层层加码的限制措施：停止国内服务、封禁账号，甚至开始捕捉用户的IP、时区等私密信息，并对国内公司控股超过50%的企业打上标识。在这种情况下，如果所有项目都必须依赖某个特定产品才能完成，无异于把主动权拱手让人。

而学习LangChain这样的底层框架的价值恰恰在此：这些热门产品本质上都是基于底层框架构建的。理解了底层逻辑，你就能参考甚至定制类似功能，去解决自己身边的实际问题——对普通人而言，不需要做一个人人可用的工具，只要能解决自己的问题就足够了。

用嘴编程的真相：提示词工程并非万能

当前AI编程强调"用嘴编程"，似乎提个需求就能得到结果。但楼兰尖锐地指出，难点恰恰在于"如何把需求提好"。

他用了一个精妙的比喻：大模型学过Spring框架的源码，理论上能复刻一个Spring，但当你真的让它"复刻一个Spring"时，你从哪里提起？如何验证它设计的对错？这里需要理解这个类比的分量——Spring是Java生态中最重要的企业级开发框架，经过20年的发展已形成庞大的体系，包括依赖注入、面向切面编程、事务管理等数十个核心模块，以及数百万行源码。即使AI掌握了所有技术知识，但如果人类无法将一个复杂系统的需求拆解为清晰的、可验证的子任务，AI也无从下手。这本质上是软件工程中"需求分析"和"架构设计"能力的体现，而这些能力恰恰需要通过框架学习来培养。

现实中的业务需求往往比开源框架更复杂——开源框架已经把很多东西抽象成了规范，而真实业务充满特性化的细节需求。

这就引出了一个被普遍宣传的误区：只要把提示词写得更完整，效果就一定更好。楼兰认为这种想法站不住脚。他反问道：人与人沟通时，把需求表述清楚对方就一定能理解吗？现实中互相扯皮的事情比比皆是。凭什么面对大模型，你就笃信一说提示词对方就能完全get到？

因此，提示词本身也需要经过训练和验证。而验证的唯一途径就是实践——有想法就快速做一个小demo，用提示词结合基础工具验证效果。没有实践，所有的构想都是空的，甚至连消耗的token都白费了。

像规划架构一样规划Token消耗

随着大模型使用深入，一个普遍现象浮现：钱花得越来越多，产出却越来越难衡量。楼兰指出，这不仅是普通用户的困境，连微软、亚马逊、谷歌这些巨头也开始从"全面AI"转向"限制token"——因为不加规范地使用大模型，token的消耗简直是个无底洞。

要理解这个问题的严重性，需要了解Token经济学的基本概念。Token是大模型处理文本的基本计量单位，一个中文字大约对应1.5-2个token。以GPT-4o为例，输入价格约为每百万token 2.5美元，输出约为10美元。一个复杂的Agent任务可能涉及数十轮对话、多次工具调用和上下文传递，单次任务消耗数万token并不罕见。据McKinsey 2024年报告，企业在GenAI上的实际支出普遍超出预算30%-50%，其中token消耗失控是主要原因之一。微软在2025年初开始在内部推行"Token Budget"制度，要求团队像管理云计算预算一样管理AI调用成本，这标志着行业从"尽情使用"向"精细化运营"的转变。

解决之道在于培养规划能力，像规划系统架构一样规划token的消耗。主流Agent产品（如Codex）的成熟模式是：面对复杂任务先做任务分解，再由不同的Agent完成子任务，最后汇总。但这里潜藏一个问题——如果某个中间步骤执行失败（比如网络波动导致联网查询失败），常见做法要么直接报错，要么让整个任务回头重跑，甚至重新规划。于是token就像流水一样白白流走。

楼兰特别提到LangChain中一个"不太前沿但很实用"的工具——时间回溯（time travel）。这一功能基于LangGraph独特的状态管理机制——Checkpointer。LangGraph将Agent的执行过程建模为一个有向图（Graph），每个节点代表一个执行步骤，节点之间通过边连接。在执行过程中，Checkpointer会在每个节点完成后自动保存当前的完整状态快照（包括所有变量、上下文和中间结果）。当某个下游节点失败时，系统可以回溯到任意一个之前的检查点，从该点恢复状态并重新执行，而不必从头开始。这个机制借鉴了数据库事务中的Savepoint概念和版本控制系统中的分支回退思想，在保证执行可靠性的同时显著降低了token浪费。

掌握了这种思路，花钱才有信心，钱才能花在刀刃上。这正是从使用者思维转向开发者思维的体现：开发技术门槛已经不高，但思想的门槛依然存在。

为什么首选LangChain作为Agent开发框架

市面上的框架不止LangChain，还有LlamaIndex、Java生态的Spring AI等。楼兰给出了推荐LangChain的两个核心理由。

经验最丰富，生态最活跃

第一，LangChain是最早的框架之一，积累的问题和经验最多——就像找人帮忙会倾向于找经验丰富的人。第二，它的生态极其活跃。像MCP、Skill这些原本由特定产品提出的标准，LangChain都能快速提供支持。

这里有必要解释MCP和Skill这两个关键概念。MCP（Model Context Protocol，模型上下文协议）由Anthropic于2024年底提出，旨在标准化大模型与外部工具和数据源之间的交互方式。在MCP出现之前，每个AI应用都需要为每个外部服务单独编写集成代码，导致大量重复工作。MCP定义了一套统一的JSON-RPC通信协议，让工具提供方只需实现一次MCP服务端，即可被所有支持MCP的客户端调用。Skill则是Claude Code引入的概念，指的是可复用的任务执行能力模块——类似于给AI Agent安装"技能插件"，使其能够执行特定领域的操作（如代码审查、数据库查询等）。

例如Skill功能，LangChain在其Deep Agents模块中直接提供了支持，下载一个API即可使用。这意味着未来即便有新技术冒出，你也有理由相信LangChain能快速集成，而无需操心底层协议的实现细节。LangChain对这些标准的快速支持，正体现了其作为框架生态中心节点的整合能力。

风暴核心，一通百通

LangChain处于框架生态的"风暴核心"。它基于Python和TypeScript开发，一旦真正掌握，语言就不再是障碍——想转Java有LangChain4j，LangGraph有对应的LangGraph4j，Spring AI也有自己的Graph体系。

换句话说，把LangChain玩明白后，很多周边框架自然融会贯通，因为它们的底层思想是相通的。这也解答了初学者的常见疑问："学Agent开发到底用什么语言？"——真正吃透框架体系后，语言根本不构成障碍。

LangChain与LangGraph课程设计的三个原则

这门升级版课程将原本独立的LangChain与LangGraph两个模块进行了统一。楼兰解释，虽然两者构建Agent的上层思路差异很大，但底层有相通之处——他将封装大模型交互基础能力的这一层称为"Agent的底层基座"。抽出这个共同基座后，上层的构建思路就变得相通，无需再拆成两门课。

理解Chain模式与Graph模式的架构差异有助于把握这种统一的意义。LangChain最初以Chain（链）模式著称，其核心思想是将多个处理步骤串联成一条线性流水线：输入→步骤A→步骤B→步骤C→输出。这种模式简洁直观，适合确定性流程，但面对需要条件分支、循环迭代、并行执行的复杂场景时显得力不从心。LangGraph则采用有向图（Directed Graph）模式，每个节点是一个独立的处理单元，节点之间的连接可以包含条件判断，支持循环回路和并行分支。更重要的是，LangGraph内置了状态管理机制，整个图共享一个可变的状态对象，节点通过读写状态来协作。这种架构天然适合构建需要多步推理、动态决策和错误恢复的复杂Agent系统。

课程遵循三个原则：重体系不重功能、重实战不重理论、重思想不重代码。以Deep Agents为例，它底层基于LangGraph构建，是一种自主智能体思路——把任务规划完全交给大模型自己完成，与传统由程序员预设流程分支的方式形成对比。

值得一提的是，在企业实践中LangGraph用得比LangChain更多，因为Chain模式相比Graph不够灵活，LangChain能做的LangGraph基本都能做，且往往实现得更优雅。但课程依然保留LangChain，是作为一种"思路的补充"——接触的经典思想越多，才能支撑走得更高。

此外，课程还补充了本地大模型部署内容。本地部署近年来因开源模型的快速发展而变得越来越可行——以Meta的Llama系列、阿里的Qwen系列、DeepSeek系列为代表的开源模型，在许多任务上已接近闭源模型的水平。部署工具方面，Ollama提供了极简的一键部署体验，vLLM和TGI则面向生产环境提供高性能推理服务。在硬件层面，NVIDIA消费级显卡（如RTX 4090的24GB显存）已能运行70亿参数的量化模型，而企业级GPU（如A100/H100）则可运行更大规模的模型。企业选择私有化部署的动机主要包括：数据合规要求（如金融、医疗行业的敏感数据不允许发送至第三方API）、成本可控（高频调用场景下本地部署的边际成本远低于API调用）、以及降低对单一供应商的依赖风险。这既满足不想消耗云端token的需求，也契合企业出于数据安全考虑的私有化部署要求。

结语：成为AI时代的驾驶者

AI带来了美好但充满变化的未来。楼兰强调的核心观点是：不必成为每个工具的专家，也不必背熟每一个API，而是要建立完整的知识体系。有了这个体系，即便框架的API或功能有小调整，也能快速跟上。

正如他所言："AI is the future，you must be the driver."在工具泛滥的时代，唯有深入底层、建立体系、坚持实践，才能真正掌控AI，而非被AI（或工具背后的开发者）所掌控。