在大模型时代，LangChain 是一个帮助开发者快速构建“智能应用” 的工具框架。它像是你搭建 AI 应用时的“万能胶水”——把大模型（如 OpenAI、LLM API）、工具（如搜索引擎、数据库）、记忆能力、链式调用等模块统统串联起来，组成一个可交互、可记忆、有逻辑的智能体（Agent）。
基本介绍
LangChain 能做什么？
- 串联多个大模型对话任务，实现多轮对话
- 将大模型与外部工具（搜索引擎、计算器、代码解释器） 无缝连接
- 给大模型加上“记忆”，实现个性化互动体验
- 构建复杂的多步骤 Agent 工作流，支持决策分支和任务规划
- 与文档、数据库结合，打造 RAG 检索增强系统
除了 LangChain，AI 应用开发领域还有不少优秀的框架，它们的侧重点略有不同：
| 框架 | 核心优势 |
|---|---|
| LangChain | 模块化 + 全功能集成，适用于 RAG / Agent / Memory 全场景 |
| LlamaIndex | 专注于文档索引 + 检索，用于构建高性能 RAG 系统 |
| Haystack | 企业级搜索方案，支持复杂问答管线和评估工具 |
| Transformers Agents | HuggingFace 出品，灵活组合各种模型，偏原始 |
| OpenDevin / AutoGen | 多 Agent 协同执行任务，适合流程分工和协作系统 |
那我们为什么选 LangChain？
1. 全家桶式体验，一套代码搞定多种需求
LangChain 提供了覆盖 LLM 应用各个关键维度的模块，助你快速构建复杂的智能体：
| 模块 | 说明 |
|---|---|
| Models | 支持 OpenAI、Anthropic、Llama 等多种模型，封装调用细节与响应结构 |
| Prompts | 提供模板引擎和变量插值机制，让提示词更易复用 |
| Indexes | 索引与检索接口，构建企业级知识库的核心能力 |
| Memory | 支持对话中记忆上下文（短期 + 长期），提升交互连贯性 |
| Chains | 串联多个步骤形成逻辑工作流，是 LangChain 的“灵魂” |
| Agents | 构建“能自己调用工具”的大模型智能体，实现真正的自主行为 |
这些模块既可以单独使用，也可以灵活组合，是 LangChain 架构的核心拼图。
2. 社区活跃，生态丰富
LangChain 是 GitHub 上最活跃的 AI 开发框架之一：
- 插件丰富：社区已适配众多主流模型与工具
- 教程齐全：官方文档与第三方教学内容覆盖面广
- 对接成熟：无缝支持 FAISS、Chroma、Weaviate、Ollama 等常见向量库与推理引擎
你几乎不需要担心“没人维护”或“找不到用法”，查资料、找方案非常顺畅。
3. 更适合教学和快速原型开发
LangChain 模块命名清晰、调用语义直观，非常适合：
- 教学演示：可视化、可拆解、结构清晰，便于讲解核心原理
- 原型验证：快速搭建 RAG、Agent、记忆系统，测试 LLM 工作流
- 小团队试水：前期用 LangChain 快速搭项目，后期再视情况切换架构
即便你最终选择不上线 LangChain，也能用它验证思路、锤炼技能、搭建 demo，是入门智能体开发的绝佳“训练营”。
支持的语言
很多刚接触 LangChain 的开发者常会误以为：“是不是只有 Python 才能用 LangChain？” 事实上，LangChain 早已不再局限于 Python，它正在朝多语言生态快速扩展，逐步覆盖不同开发者的语言偏好和项目需求。
可以这样理解：LangChain 的核心思想是跨语言通用的，只是目前不同语言版本在支持深度和生态丰富度上有所差异。
当前支持的语言概览
| 语言 | 支持状况描述 |
|---|---|
| Python | 主打语言，功能最完善，文档详实，社区活跃，是首选学习语言 |
| JavaScript / TypeScript | 支持度较高，适合构建前端/边缘/Node.js 应用，生态逐步完善 |
| Go | 处于初期阶段，有基础模块，适合开发轻量后端服务 |
| Rust | 实验性尝试，主要聚焦于高性能组件如向量数据库等 |
如果你希望全面掌握 LangChain 的完整能力（比如 Agent 工作流、RAG 检索、Tool 调用等），推荐先选择 Python：
- 所有新功能会优先在 Python 实现
- 各种集成工具（如 LlamaIndex、FAISS、Chroma）都以 Python 为主线
- 社区资源丰富：教程、博客、官方案例、视频课程应有尽有
可以说，Python 是 LangChain 的旗舰体验版，特别适合教学、实验、原型开发等全场景使用。
JavaScript / TypeScript 支持情况
对于前端工程师或偏向 JS/TS 技术栈的开发者，LangChain.js 同样具备相当强的能力，当前支持：
- 构建基础链（Chain、LLMChain、RetrievalChain 等）
- 集成主流大模型（OpenAI、Anthropic 等），支持流式响应
- 接入向量数据库（如 Supabase、Weaviate、Pinecone 等）
- 可运行于浏览器、Node.js、Vercel、Cloudflare Worker 等多环境
虽然还不支持所有 Python 特性（比如复杂 Agent 组合、部分 Memory 类型），但构建一个 AI 聊天机器人或 RAG 问答系统已经绰绰有余。
下面的表格是两种语言版本之间模块支持维度的对比：
| 功能模块 | Python 支持情况 | JS/TS 支持情况 |
|---|---|---|
| 模型接入（LLM） | ✅ 支持最广，封装完整，支持同步/异步流式调用 | ✅ OpenAI、Anthropic 等主流模型支持到位 |
| 提示词模板（Prompt） | ✅ 模板功能丰富，支持 FewShot、动态变量插值等 | ✅ 支持标准 PromptTemplate 机制，用法一致 |
| 记忆模块（Memory） | ✅ 多类型支持：缓冲、摘要、持久化、Token 限制等 | ✅ 基础支持：ChatHistory、部分 Memory 类型可用 |
| 链式调用（Chains） | ✅ 类型齐全：SequentialChain、RetrievalChain 等 | ✅ 支持核心链类型，组合逻辑灵活 |
| 智能体系统（Agents） | ✅ 完整支持：MRKL、OpenAI Agent、Conversational 等 | ✅ LangGraph.js 支持复杂 Agent，已可实现多工具调用 |
| 工具集成（Tools） | ✅ 官方工具众多（搜索、TTS、数据库、浏览器等） | 🔶 支持主流 API 工具，集成数量相对较少 |
| 文档加载 & 检索（Loaders） | ✅ 支持网页、PDF、CSV、数据库等百种类型 | ✅ 支持主流加载器，文档处理逐步扩展 |
| 向量数据库（Vector Stores） | ✅ 覆盖广泛：FAISS、Chroma、Milvus、Redis、PG 等 | ✅ 支持 Supabase、Weaviate、Pinecone 等核心产品 |
| 部署平台支持 | ✅ 深度集成 LangSmith / LangGraph（Python为主） | ✅ 支持部署至 Edge、Serverless 等现代平台 |
课堂练习
LangChain快速上手
import { Ollama } from '@langchain/ollama'
// 创建模型实例const model = new Ollama({ model: 'llama3',})
const prompt = '你是一位中文智能助手，请你用中文回答 AI 对人类文明的影响？'
const res = await model.invoke(prompt)
console.log(res)流式输出：
import { Ollama } from '@langchain/ollama'
// 创建模型实例const model = new Ollama({ model: 'llama3',})
const prompt = '你是一位中文智能助手，请你用中文回答 AI 对人类文明的影响？'
const res = await model.stream(prompt)
// 实时读取输出内容for await (const chunk of res) { process.stdout.write(chunk)}