LangChain 完整指南把模型、数据和工具拼成一套能跑的系统【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchainLangChain 是一个用 Python 构建 LLM 应用和智能体的框架。它解决一个具体问题让你的代码用同一套接口调用不同大模型、挂载工具、接入知识库换模型时不用重写业务代码。最典型的产出是一个能调模型、按需调工具、按指定格式返回答案的小程序几十行代码就能搭起来。先搞清楚它站在哪LangChain 的三层结构LangChain 不是模型不是数据库也不是 Web 框架。打个比方它像一组统一规格的插座你的业务代码只面对插座各家模型和工具是插在上面的适配器拔掉换一个不用改墙。具体分三层仓库里一一对应libs/core/langchain_core/最底层的抽象消息、工具、提示模板、Runnable 组合协议都定义在这里与任何厂商无关。libs/langchain_v1/当前主力包负责编排。init_chat_model()一行起模型create_agent()起智能体middleware 负责拦截修改行为。libs/partners/各模型厂商的适配器openai、anthropic、ollama、groq 各自独立发版。在技术栈里它位于你的业务代码和模型 API 之间向下兼容各家接口向上暴露统一抽象。三件你能用 LangChain 做的事第一次调通模型。问题你想先确认模型能稳定返回、能换供应商。项目里init_chat_model()把这件事压成一行模型名、流式、结构化输出都走同一套参数。跑起来后你会拿到一个消息对象里面是回复正文加 token 用量把字符串换成另一家的模型代码其余部分不动。用自己的文档做问答。问题模型不知道你私有的 PDF 和手册。项目里用libs/core/langchain_core/document_loaders/读文件用libs/text-splitters/切块塞进libs/core/langchain_core/vectorstores/的向量存储查询时先检索再交给模型。跑起来后你问文档里的问题答案带出的是检索到的内容而不是模型编的。让模型自主调工具完成任务。问题任务要查外部数据还要想好几步。libs/langchain_v1/langchain/agents/factory.py里的create_agent()接收一个工具列表返回一个可执行图模型自己决定何时调工具。跑起来后你能看到它连续发起几次工具调用每次有理由最后才给出答案。最小可跑通路径从安装到第一次调用装环境用uv两步# 先执行 uv add langchain langchain-openai并设置 API key 环境变量 from langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-5.5) result model.invoke(用一句话打个招呼) print(result.content)跑起来后先别急着加功能。做三件事把返回对象完整打印一遍确认消息类型和 token 统计都在再试一次流式调用确认 token 是逐段吐出来的最后把模型字符串换掉验证换供应商只需要加一个包。想多走一步仓库里 MCP 示例目录 的脚本可以独立运行演示工具怎么挂到 agent 上。上手第一周会踩的三个坑报找不到 provider 或包的错。现象模型字符串写得没错第一次调用却抛缺依赖的异常。原因厂商适配器是独立包langchain本体不内置 OpenAI 这类集成。解法装对应包比如uv add langchain-openai。agent 反复调同一个工具停不下来。现象create_agent跑起来后模型把同一个工具连调几轮token 费用跟着涨。原因工具描述写得含糊模型判断不了任务何时完成循环又没人掐断。解法给 agent 挂libs/langchain_v1/langchain/agents/middleware/里的model_call_limit设一个最大调用次数。从旧教程抄代码行为对不上文档。现象langchain_classic的 import 能跑但参数和官方说法不一致。原因libs/langchain/目录是遗留的经典包只为向后兼容在维护新代码不该依赖它。解法新项目只从 v1 包对应libs/langchain_v1/导入。想再深一点的时候LangGraph。当你需要带状态的工作流分支、循环、中途等人确认。v1 的create_agent底层就建在它上面直接用它才能画出复杂流程。Middleware 机制。当你要在模型调用或工具调用前后注入逻辑重试、内容脱敏、人工审批。写一个中间件即可不用改 agent 主流程代码入口在libs/langchain_v1/langchain/agents/middleware/。Deep Agents。当任务周期长需要先生成计划、再派子任务、还要读写文件系统。这是建在 LangChain 之上的高层包README 里专门提到它适合做规划类 agent。MCP 集成。当工具已经以 MCP 服务器形式存在不想自己封装。用libs/langchain_v1/langchain/mcp/的适配器接上stdio 和 HTTP 两种传输都能挂示例目录 里每个脚本都是可独立运行的演示。LangChain 的价值在于换模型、换工具、换数据源业务代码都不需要动。把仓库克隆下来git clone https://gitcode.com/GitHub_Trending/la/langchain先跑通 README 里的init_chat_model示例再进libs/langchain_v1/examples/mcp/看工具是怎么挂上去的。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/15 16:37:14 · 阅读 1.2k LangChain 完整指南：把模型、数据和工具拼成一套能跑的系统
LangChain 完整指南把模型、数据和工具拼成一套能跑的系统【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchainLangChain 是一个用 Python 构建 LLM 应用和智能体的框架。它解决一个具体问题让你的代码用同一套接口调用不同大模型、挂载工具、接入知识库换模型时不用重写业务代码。最典型的产出是一个能调模型、按需调工具、按指定格式返回答案的小程序几十行代码就能搭起来。先搞清楚它站在哪LangChain 的三层结构LangChain 不是模型不是数据库也不是 Web 框架。打个比方它像一组统一规格的插座你的业务代码只面对插座各家模型和工具是插在上面的适配器拔掉换一个不用改墙。具体分三层仓库里一一对应libs/core/langchain_core/最底层的抽象消息、工具、提示模板、Runnable 组合协议都定义在这里与任何厂商无关。libs/langchain_v1/当前主力包负责编排。init_chat_model()一行起模型create_agent()起智能体middleware 负责拦截修改行为。libs/partners/各模型厂商的适配器openai、anthropic、ollama、groq 各自独立发版。在技术栈里它位于你的业务代码和模型 API 之间向下兼容各家接口向上暴露统一抽象。三件你能用 LangChain 做的事第一次调通模型。问题你想先确认模型能稳定返回、能换供应商。项目里init_chat_model()把这件事压成一行模型名、流式、结构化输出都走同一套参数。跑起来后你会拿到一个消息对象里面是回复正文加 token 用量把字符串换成另一家的模型代码其余部分不动。用自己的文档做问答。问题模型不知道你私有的 PDF 和手册。项目里用libs/core/langchain_core/document_loaders/读文件用libs/text-splitters/切块塞进libs/core/langchain_core/vectorstores/的向量存储查询时先检索再交给模型。跑起来后你问文档里的问题答案带出的是检索到的内容而不是模型编的。让模型自主调工具完成任务。问题任务要查外部数据还要想好几步。libs/langchain_v1/langchain/agents/factory.py里的create_agent()接收一个工具列表返回一个可执行图模型自己决定何时调工具。跑起来后你能看到它连续发起几次工具调用每次有理由最后才给出答案。最小可跑通路径从安装到第一次调用装环境用uv两步# 先执行 uv add langchain langchain-openai并设置 API key 环境变量 from langchain.chat_models import init_chat_model model init_chat_model(openai:gpt-5.5) result model.invoke(用一句话打个招呼) print(result.content)跑起来后先别急着加功能。做三件事把返回对象完整打印一遍确认消息类型和 token 统计都在再试一次流式调用确认 token 是逐段吐出来的最后把模型字符串换掉验证换供应商只需要加一个包。想多走一步仓库里 MCP 示例目录 的脚本可以独立运行演示工具怎么挂到 agent 上。上手第一周会踩的三个坑报找不到 provider 或包的错。现象模型字符串写得没错第一次调用却抛缺依赖的异常。原因厂商适配器是独立包langchain本体不内置 OpenAI 这类集成。解法装对应包比如uv add langchain-openai。agent 反复调同一个工具停不下来。现象create_agent跑起来后模型把同一个工具连调几轮token 费用跟着涨。原因工具描述写得含糊模型判断不了任务何时完成循环又没人掐断。解法给 agent 挂libs/langchain_v1/langchain/agents/middleware/里的model_call_limit设一个最大调用次数。从旧教程抄代码行为对不上文档。现象langchain_classic的 import 能跑但参数和官方说法不一致。原因libs/langchain/目录是遗留的经典包只为向后兼容在维护新代码不该依赖它。解法新项目只从 v1 包对应libs/langchain_v1/导入。想再深一点的时候LangGraph。当你需要带状态的工作流分支、循环、中途等人确认。v1 的create_agent底层就建在它上面直接用它才能画出复杂流程。Middleware 机制。当你要在模型调用或工具调用前后注入逻辑重试、内容脱敏、人工审批。写一个中间件即可不用改 agent 主流程代码入口在libs/langchain_v1/langchain/agents/middleware/。Deep Agents。当任务周期长需要先生成计划、再派子任务、还要读写文件系统。这是建在 LangChain 之上的高层包README 里专门提到它适合做规划类 agent。MCP 集成。当工具已经以 MCP 服务器形式存在不想自己封装。用libs/langchain_v1/langchain/mcp/的适配器接上stdio 和 HTTP 两种传输都能挂示例目录 里每个脚本都是可独立运行的演示。LangChain 的价值在于换模型、换工具、换数据源业务代码都不需要动。把仓库克隆下来git clone https://gitcode.com/GitHub_Trending/la/langchain先跑通 README 里的init_chat_model示例再进libs/langchain_v1/examples/mcp/看工具是怎么挂上去的。【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考