你好，这里是极客头条。

大模型应用开发是一个快速演化的领域，作为应用开发框架的 LangChain 同样也经历着一个快速演化过程。

今天我们邀请了郑晔老师 ，让他带我们重新认识一下LangChain。郑晔老师是极客时间多门课程的作者，也是一位有着 20 多年研发经验的技术老兵。ChatGPT 问世之后，他很快进入到 AI 应用开发领域，积累了丰富的理论和实战经验。他的第五季课程《程序员的AI开发第一课》已经全集上线，如果你感兴趣可以深度学习。

以下是正文：

LangChain是什么？

LangChain是什么？大部分人的理解是，LangChain 是一个开发框架，用来开发各种基于大模型的应用。我们知道，大模型应用开发是一个快速演化的领域，作为应用开发框架的 LangChain 同样也经历着一个快速演化过程。

如果你在 2023 年学过 LangChain 这个框架，再来看 2024 年利用 LangChain 开发的代码，你可能会完全不认识了，因为这期间引入了新的代码表达方式。即便简单如 LangChain 是什么的话题，含义也在不断演化。

站在我写下这段文字的时间点（2024 年），理解 LangChain 有三个层次：

• 开发框架

• 社区生态

• 扩展生态

接下来，我们就从这三个层次来重新认识一下 LangChain。

开发框架

在 LangChain 的自我介绍中，开发框架依然是首要的身份认同。

LangChain is a framework for developing applications powered by large language models (LLMs).

作为一个框架，LangChain 最重要的价值是提供了一些开发应用所需的基础抽象和 LangChain 表达式语言。我们来看一段示例代码：

chain = model | parser
chain.invoke(messages)

这段代码的核心含义就是将一个一个组件组装到一起，形成一条链，然后，调用这条链。LangChain 应用的代码核心就是构建一条这样的链，这也是 LangChain 这个名字里 Chain 的含义。我们后面会看到的各种代码，本质上就是用各种组件组装出一条链来。

在这段代码中，用到的两个组件是模型和输出结果解析器。当我们把消息传给这条链时，它会先调用模型根据消息生成相应的内容，然后，把这个生成的内容传给输出结果解析器，解析成我们需要的格式。

这个例子里的模型（model）和输出结果解析器（parser）都是 LangChain 提供的基础抽象，类似这样的抽象，在 LangChain 框架中还提供了好很多，比如提示词模板、文档加载器、向量存储等。下一讲，我们会花些篇幅讨论核心的抽象，帮助你更好地理解 LangChain 的这些组件。

上面示例还有一个重点，就是这段代码本身的表达方式，也就是：

chain = model | parser

这就是 LangChain 表达式语言（LangChain Expression Language，简称 LCEL）的写法。原本用各种组件组装链是一个非常繁琐的过程，但自从 LangChain 引入了 LCEL 之后，通过管道符，也就是 | 进行组装之后，这个过程就变成了一个声明式的代码，代码的清晰程度一下子上了一个大台阶。

从本质上说，LCEL 就是 LangChain 的一种内部 DSL，引入 DSL 的目的就是要提升代码的表达性。关于 DSL 更多的内容，可以参考我的《软件设计之美》中的《11 | DSL：你也可以设计一门自己的语言》。

社区生态

我们可以把 LangChain 定义的基础抽象理解成一个一个的接口，但只有接口是无法完成任何工作的，我们还需要这些接口具体的实现。为了降低依赖程度，这些实现没有放在 LangChain 的核心框架中，于是我们就需要扩大对于 LangChain 的理解，把这些实现涵盖进来，这就是 LangChain 的社区生态。

社区生态包含了大量的各种实现，我们首先能想到的就是各种大模型，比如，OpenAI 的 GPT、Anthropic 的 Claude 等等，都有对应的实现，国内的很多大模型也有对应的实现，真正去查看一下，你就会发现，原来各种各样的大模型有这么多。

除了大模型，其它基础抽象都有很多实现，比如，向量数据库，有 Milvus、FAISS、Qdrant、Chroma 等等，文档加载既可以加载一个 Web 页面，也可以从诸如 S3、微软 OneDrive 加载，甚至从 Twitter、Telegram 加载内容。总之，针对不同的抽象，都有对应的实现，你可以根据自己的需要在 LangChain 的集成页面上找到对应的内容。

除了直接的代码实现，还有各种提示词模板。相比于其它的代码，提示词模板都是纯文本。LangChain 社区有一个专门的提示词社区。在这里，可以找到各种类别的提示词：实现 Agent 、代码编写、文档问答、内容总结，主流的提示词在这里都可以找到。而在编写代码的过程中，我们只要把它加载过来，就可以形成一个提示词模板：

prompt = hub.pull("hwchase17/react")
runnable = prompt | model

如果说前面提到的都是直接的 LangChain 抽象实现，那还有一批实现就跳出了直接实现接口的范畴，这就是工具。随着 Agent 的兴起，工具成为了扩展 AI 能力的一种重要手段。天下工具如此之多，社区支持就成为了最好的选择：搜索、代码解析、网页浏览、数据库集成等等，各种工具五花八门。

我们对待社区生态应该是照方抓药，用到哪个东西，就到社区里去找相应的实现，完全没有必要一一学习，毕竟数量实在是太多了。

扩展生态

LangChain 社区蓬勃发展，各种扩展层出不穷，但所有这些扩展都围绕着一个目标，如何构建一个链。除了构建链之外，还有什么其它事情可以做呢？

事实上，LangChain 团队确实在探索更多可做的事情，所以，在了解 LangChain 时，你会看到一些与 LangChain 相关的名字。这就是 LangChain 的拓展生态：

• LangServe，它是把 LangChain 编写的链部署成 REST API 的一个工具。因为我们编写的应用多半是以服务的方式对外提供，LangServe 简化了 LangChain 应用服务化的门槛。不过，它更多地是面向 LangChain 的使用场景设计的，其提供的服务是否适合你的应用，还是需要根据你自己的情况评估。

• LangSmith，它是 LangChain 团队提供的一个SaaS平台，帮助开发者调试、追踪、测试、评估和监控基于大模型的应用。

• LangGraph，它提供了又一种构建 Agent 的方式，把 Agent 的状态流转构建成一个图。LangChain 团队甚至构建了一个 IDE：LangGraph Studio，简化这个图的构建过程。

拓展生态我就不做过多的介绍了，因为这个部分在开发社区的接受程度远远不如 LangChain 的开发框架和社区生态。你只要知道它们的存在即可，如果有需要再去深入了解。

如何使用 LangChain？

至此，我们已经对 LangChain 有了一个基础的了解。既然 LangChain 是一个开发框架，我们接下来是不是就是用 LangChain 写代码了，且慢！在开始写代码之前，我们还有些东西值得讨论。

首先，是否选择 LangChain 是一个问题。作为一个框架，LangChain 提供了一些抽象，但这里有一个问题，这些抽象是否合理可谓是见仁见智的一个问题。比如：

• 如果你的应用如果只需要对接 OpenAI 的模型，模型抽象对你来说就是多余的。顺便说一下，兼容 OpenAI API 的模型越来越多，这也降低了模型抽象的价值。

• 如果你的应用做的都是一次性工作，比如，翻译一句话，LangChain 模型中的记忆存储之类的抽象也是多余的。

• 虽然提示词模板不错，但像 Python 这样的语言本身也有字符串模板。

• ……

我看过一些开源项目的代码，他们虽然选择了 LangChain，但并没有选择 LangChain 的基础抽象，而是单纯地利用 LangChain 的代码，此外，它的社区生态很好地提供了各种集成，也降低了开发的难度。

即便是作为开发框架，LangChain 也不是社区里的唯一选择，像 LlamaIndex 这样的框架也可以成为构建大模型应用的选择。

其次，LangChain 是一个很好的学习材料。LangChain 是一个开发框架，而且提供了大量的示例。了解了 LangChain 之后，我们就可以充分利用 LangChain 资源学习如何编写各种大模型应用，无论是 RAG，还是 Agent，亦或是如何利用工具，我们都可以通过 LangChain 来学习。

在学习过程中，很重要的一个组成部分就是如何编写提示词，LangChain 的代码库里就有大量可以学习的提示词。当初我在学习如何利用工具的代码时，从中学到了 ReAct 提示词，也学到了提示工程如何与具体代码结合起来，大大地提升了我对 Agent 实现的理解。

好了，今天的分享就到这里。虽然在很多人眼中，LangChain只是一个开发框架，但实际上，它已经形成了一个完整的生态，有社区生态，也有扩展生态。如果你有兴趣，可以课后看看它的集成页面，了解更多内容。