LangChain
LangChain是一家专注于大语言模型（LLM）应用开发基础设施的人工智能公司，致力于为开发者提供构建AI应用所需的开源框架与工具。其核心产品包括LangChain框架（用于编排LLM调用与工具链）、LangGraph（用于构建多步骤AI工作流与智能体）以及LangSmith（用于调试、监控和评估LLM应用），广泛应用于企业级AI应用开发场景。
核心事实
时间轴 (近 90 天)
作者刻意不使用 LangChain、LlamaIndex 等 Agent 框架，而是用 Anthropic SDK 直接编排循环，以实现链路完全可控、便于调试。
作者认为 LangChain、CrewAI 这类框架提供了真实价值，包括预构建的工具集成、记忆抽象、回调系统、多 Agent 编排，对于需要快速集成大量工具或框架设计理念匹配需求的项目是合理的加速器。
作者花两天时间尝试用 LangChain 的 AgentExecutor 让 Agent 按预期工作，虽然能运行，但无法解释 Agent 为何做出选择。
LangChain 的接口变化速度很快，半年前写的代码往往需要重写。
作者最终删掉 LangChain，手写了一个约 270 行的 ReAct 循环。
使用 LangChain 时，当作者尝试从 Gemini 切换到本地 Ollama 模型时，追踪系统直接崩溃。
Hugging Face的模型库、LangChain、LlamaIndex等编排框架使构建AI辅助科研工作流的门槛从"需要ML博士"降到"需要懂Python和领域知识"。
当下主流 AI Agent 框架（如 LangChain、AutoGPT 等）在执行多步任务时，每一步推理都从零开始，不保留可复用的操作序列。
WarderBox 包含 36 个模块，零依赖设计，可适配 OpenAI、Anthropic、LangChain 等主流框架。
主流Agent框架如LangChain、Hermes、Gemini CLI对工具调用的抽象各有差异，同一概念在不同框架中的命名和参数格式并不统一。
还有 40 条时间轴事件
全部知识事实 (20)
LangChain是由Harrison Chase于2022年创建的LLM应用开发框架
90%已验证当前主流的编程智能体架构大多采用ReAct（Reasoning + Acting）范式
90%已验证LangSmith是LangChain公司推出的LLM应用可观测性平台，通过Tracing技术记录每次Agent执行的完整链路
90%已验证LangChain由Harrison Chase于2022年10月作为开源项目发布
90%已验证微软的AutoGen、LangChain的LangGraph和OpenAI的Swarm框架都在探索多Agent分工协作
90%已验证目前主流的AI Agent框架包括LangChain、AutoGen、CrewAI等
90%已验证2023年以来，以AutoGPT、LangChain Agent、OpenAI Assistants API为代表的Agent框架迅速普及，推动了Agentic AI概念的兴起
90%已验证ReAct（Reasoning + Acting）框架让模型能够交替进行推理和行动
90%已验证LangGraph是LangChain团队于2024年初推出的智能体编排框架
90%已验证LangChain基于ReAct（Reasoning + Acting）思维-行动循环模式，提供通用的工具链编排框架
85%已验证LangChain、AutoGen、LangGraph 是将智能体定位为流程协调职责的主流框架
80%已验证LangChain首要支持Python，其次是TypeScript
80%已验证在MCP出现之前，AI调用外部工具主要依赖OpenAI的Function Calling机制或各框架自定义的插件系统
80%已验证LLM 工具支持 OpenAI、Anthropic、Google 等多种模型提供商
80%已验证LangSmith是LangChain官方的追踪和评估平台
80%已验证工具增强型AI（Tool-Augmented AI）是当前大模型应用的重要发展方向，OpenAI的Function Calling和Anthropic的Tool Use等机制在底层支撑这一范式
80%已验证AutoGPT是GitHub历史上增长最快的开源项目之一
80%已验证ReAct（Reasoning + Acting）框架由Yao等人在2022年提出，将Chain-of-Thought推理与外部工具交互交替进行
80%已验证LangChain的Agent模块支持ReAct（Reasoning + Acting）范式
80%已验证LangGraph是LangChain团队推出的Agent编排框架，其核心理念是将Agent的执行流程建模为有向图（DAG），支持循环、条件分支等复杂控制流
80%