企业官网建设流程全解析

1. 引言：LangChain 到底解决了什么问题

很多初学者第一次接触 LangChain 时，都会被它庞大的模块体系吓到：模型封装、提示词模板、记忆、工具调用、Agent、检索……看起来什么都有，却又说不清它到底帮你干了什么活。本文不打算罗列 API，而是从「它替你省掉了哪些重复劳动」这个角度，把 LangChain 在 Agent 开发中的价值讲透，并给出可运行的代码实战。

一句话总结：LangChain 帮你把「调模型」这件小事，升级成了「编排一套会思考、会调用工具、会记忆、会检索的完整系统」这件大事。它把 AI 应用开发中大量重复、易错、与业务无关的胶水代码抽象成标准组件，让你专注于业务逻辑本身。

2. 核心价值拆解：LangChain 替你干了五类活

在进入代码之前，先建立整体认知。LangChain 在 Agent 开发中主要替你承担以下五类工作：

• 模型接入的统一封装：无论你用的是 OpenAI、Anthropic 还是本地模型，LangChain 都提供一致的调用接口，切换模型时业务代码几乎不用改。
• 提示词工程的结构化：把提示词从「裸字符串」升级为「可复用、可组合、可版本管理的模板」，并自动处理变量注入。
• 对话记忆的自动管理：帮你维护历史消息、控制上下文窗口长度，避免「聊着聊着就忘了前面说了什么」。
• 工具调用的协议标准化：把普通 Python 函数包装成模型可识别的 Tool，让模型能按需调用外部能力。
• Agent 决策循环的编排：模型「思考 → 决定调用哪个工具 → 观察结果 → 再思考」的循环，由框架替你跑起来。

下面我们逐一用代码验证这些能力。

3. 环境准备与基础依赖

本文所有代码基于 Python 3.10+ 和 LangChain 0.3.x。建议先创建虚拟环境并安装依赖：

pip install langchain langchain-openai langchain-community

如果你使用 OpenAI 兼容接口（例如本地部署的模型服务），可以通过环境变量或直接传入参数配置 API Key 和 Base URL：

import os os.environ["OPENAI_API_KEY"] = "your-api-key" os.environ["OPENAI_BASE_URL"] = "https://api.openai.com/v1"

4. 第一类活：模型接入的统一封装

没有 LangChain 时，你直接调用各家 SDK，代码风格完全不同。有了 LangChain，你只需要面向统一的ChatModel接口编程。

from langchain_openai import ChatOpenAI 统一接口：换模型只改这一行 llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7) response = llm.invoke("用一句话解释什么是 Agent") print(response.content)

如果你想换成 Anthropic 的 Claude，只需要把导入和实例化部分替换为ChatAnthropic，下游的调用方式llm.invoke(...)完全不变。这就是「统一封装」带来的直接收益：模型供应商被抽象成可替换的插件。

5. 第二类活：提示词工程的结构化

裸字符串拼接提示词容易出错且难以维护。LangChain 的PromptTemplate把提示词变成可复用的模板：

from langchain_core.prompts import ChatPromptTemplate prompt = ChatPromptTemplate.from_messages([ ("system", "你是一位资深的{domain}专家，回答要简洁、准确。"), ("human", "请解释一下：{question}"), ]) 渲染模板 messages = prompt.invoke({ "domain": "人工智能", "question": "什么是检索增强生成（RAG）？", }) print(messages)

更进一步，LangChain 还支持FewShotPromptTemplate（少样本示例）、PipelinePromptTemplate（模板组合）等高级能力，让提示词像代码一样具备结构性和可维护性。

6. 第三类活：对话记忆的自动管理

大模型本身是无状态的，每次调用都是「全新对话」。LangChain 的 Memory 模块帮你维护历史上下文，并自动处理窗口截断。

from langchain.memory import ConversationBufferMemory from langchain_core.chat_history import InMemoryChatMessageHistory from langchain_core.messages import HumanMessage, AIMessage 使用内存消息历史 history = InMemoryChatMessageHistory() history.add_user_message("我叫小明，是一名后端工程师。") history.add_ai_message("你好小明！很高兴认识你。") 把历史注入到下一次对话 llm = ChatOpenAI(model="gpt-4o-mini") messages = [ {"role": "system", "content": "你是一个友好的助手。"}, *history.messages, {"role": "user", "content": "我叫什么名字？"}, ] response = llm.invoke(messages) print(response.content) # 输出：你叫小明

对于长对话，ConversationSummaryMemory会自动总结早期内容以节省 Token，ConversationBufferWindowMemory则只保留最近 N 轮。这些策略如果手写，既繁琐又容易出错。

7. 第四类活：工具调用的协议标准化

Agent 的核心能力是「调用工具」。LangChain 用@tool装饰器把普通函数变成模型可识别的工具，并自动生成 JSON Schema 描述。

from langchain_core.tools import tool @tool def get_weather(city: str) -> str: """查询指定城市的当前天气。""" # 这里可以替换为真实天气 API return f"{city}今天晴，气温 26℃，适合出行。" @tool def calculate(expression: str) -> str: """计算数学表达式，例如 '1+2*3'。""" return str(eval(expression)) 查看工具自动生成的 Schema print(get_weather.name) print(get_weather.description) print(get_weather.args)

LangChain 会自动从函数签名和 docstring 中提取参数名、类型和描述，生成符合 OpenAI Function Calling 规范的 JSON Schema。你不需要手写任何协议代码。

8. 第五类活：Agent 决策循环的编排

把前面所有组件组合起来，就得到了一个完整的 Agent。它会在「思考 → 调用工具 → 观察结果 → 再思考」的循环中自主完成任务。

from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.prompts import ChatPromptTemplate 1. 准备工具列表 tools = [get_weather, calculate] 2. 定义提示词 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个智能助手，可以调用工具来回答问题。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}"), ]) 3. 创建 Agent agent = create_tool_calling_agent(llm, tools, prompt) 4. 创建执行器 executor = AgentExecutor(agent=agent, tools=tools, verbose=True) 5. 运行 result = executor.invoke({"input": "帮我算一下 (23+45)*2 等于多少，顺便查一下北京的天气。"}) print(result["output"])

运行这段代码，你会看到 Agent 自动完成以下动作：先调用calculate计算表达式，再调用get_weather查询天气，最后把两个结果整合成自然语言回答。整个过程你只写了十几行代码，决策循环、工具选择、结果解析全部由框架替你完成。

9. 进阶实战：带检索能力的 RAG Agent

真实业务中，Agent 往往还需要结合私有知识库。下面演示如何把向量检索（RAG）接入 Agent，让它能回答「训练数据之外」的问题。

from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import FAISS from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_core.tools import tool 1. 准备知识库文档 documents = [ "LangChain 是一个用于构建大语言模型应用的框架。", "Agent 是能够自主决策并调用工具的智能体。", "RAG 通过检索外部知识来增强模型的回答能力。", ] 2. 切分并向量化 splitter = RecursiveCharacterTextSplitter(chunk_size=50, chunk_overlap=10) chunks = splitter.create_documents(documents) embeddings = OpenAIEmbeddings() vectorstore = FAISS.from_documents(chunks, embeddings) 3. 把检索封装成工具 @tool def search_knowledge(query: str) -> str: """从内部知识库检索与问题相关的信息。""" docs = vectorstore.similarity_search(query, k=2) return "\n".join([d.page_content for d in docs]) 4. 构建带检索能力的 Agent tools = [search_knowledge] prompt = ChatPromptTemplate.from_messages([ ("system", "你是企业内部知识助手，优先使用检索到的知识回答。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}"), ]) agent = create_tool_calling_agent(llm, tools, prompt) executor = AgentExecutor(agent=agent, tools=tools, verbose=True) result = executor.invoke({"input": "什么是 RAG？它有什么作用？"}) print(result["output"])

这个例子展示了 LangChain 的另一个关键价值：组件可插拔。检索、记忆、工具、模型都是独立模块，你可以像搭积木一样自由组合，构建出适合自己业务的复杂系统。

10. 常见坑与避坑建议

在实际开发中，有几个高频问题值得注意：

• 上下文窗口溢出：Agent 每轮循环都会把历史追加到 prompt 中，长任务容易超限。建议使用ConversationSummaryMemory或限制最大迭代次数。
• 工具调用失败无重试：默认情况下工具抛异常会导致整个 Agent 失败。建议在工具内部做异常捕获，返回友好的错误信息让模型自行调整。
• 过度依赖模型判断：Agent 的决策质量取决于底层模型能力。复杂任务建议用更强的模型（如 gpt-4o），简单任务用轻量模型以节省成本。
• 忽略安全校验：如果 Agent 能调用执行类工具（如执行 Shell 命令），务必做好权限控制和输入校验，防止注入攻击。

11. 总结

回到开篇的问题：LangChain 到底帮你干了什么活？答案是：它把 AI 应用开发中的重复性、易错性、与业务无关的胶水工作全部抽象成了标准组件。你不再需要手写各家模型的 SDK 适配、不再需要手工拼接提示词、不再需要自己维护对话历史、不再需要为工具调用设计协议、更不需要自己实现 Agent 的决策循环。

你只需要专注于两件事：定义好你的工具，以及设计好你的提示词。剩下的编排工作，交给 LangChain。

希望本文的代码实战能帮你建立起对 LangChain 的整体认知。下一步，建议你从自己的业务场景出发，挑一个最简单的工具（比如查天气、算日期），把它接入 Agent，跑通第一个端到端的智能体应用。