Search

什么是 LangChain？真正解决的问题不是调用大语言模型

LangChain 不是聊天框架，而是一套围绕大语言模型构建应用的软件工程框架。它关注的不是模型如何思考，而是当模型需要和现实世界协作时，我们应该如何组织整个系统。

Pluszzz2 min read
langchainLLMAI-Agent

什么是 LangChain？它真正解决的问题，其实不是调用大语言模型

当第一次接触大语言模型时，大多数人的第一段代码几乎都是这样的：

from openai import OpenAI


client = OpenAI()


response = client.chat.completions.create(
    model="gpt-4.1",
    messages=[
        {"role": "user", "content": "什么是 Transformer？"}
    ]
)

看起来，一次 API 调用就已经能够完成所有事情。

于是很多人都会产生一种错觉：

AI 应用，不就是「用户输入一句话，模型返回一句话」吗？

真正开始做项目以后，你会发现现实完全不是这样。

当模型开始真正参与业务

假设现在要开发一个企业知识库。

用户提出一个问题：

公司去年的年终奖政策是什么？

这个问题并不能直接交给模型。

模型并不知道你的企业文档，也不知道数据库里存放着什么内容。

真正发生的流程其实更像这样：

  1. 理解用户的问题。
  2. 到知识库检索相关文档。
  3. 将检索结果整理成上下文。
  4. 重新组织 Prompt。
  5. 再交给大语言模型回答。

如果继续扩展需求：

  • 回答前先联网搜索最新信息；
  • 根据用户身份决定能访问哪些文档；
  • 回答结束后记录聊天历史；
  • 回答过程中可以调用数据库、浏览器或者 Python；

那么整个系统已经不再是一次模型调用，而变成了一套完整的工作流。

真正复杂的，其实已经不是模型本身。

而是如何组织模型完成一系列任务。

LangChain 就是在这样的背景下诞生的

很多人第一次接触 LangChain，都会把它理解成一个 Agent 框架。

其实这并不准确。

LangChain 从诞生开始，它想解决的问题一直只有一个：

如何把一次模型调用，扩展成一个可以执行复杂任务的 AI 应用。

换句话说，它更像是一套基础设施。

如果把 GPT 看成 CPU，那么 LangChain 更像操作系统。

它并不会提升模型本身的能力，却负责协调模型与外部世界之间的各种交互。

例如：

  • 如何组织 Prompt；
  • 如何维护聊天上下文；
  • 如何调用外部工具；
  • 如何连接向量数据库；
  • 如何让多个步骤串联起来。

这些能力，最终共同组成了一次完整的 AI Workflow。

LangChain 的核心思想：Everything is Composable

如果只用一句话来概括 LangChain，我更喜欢下面这句话：

Everything is Composable.（一切皆可组合。）

这是 LangChain 最重要，也是最容易被忽略的设计思想。

在传统开发里，我们习惯把业务拆分成很多模块：

  • Controller
  • Service
  • DAO

而在 LangChain 里，开发者同样把 AI 应用拆成很多可以自由组合的小组件。

例如：

  • Prompt
  • Model
  • Retriever
  • Tool
  • Output Parser

这些组件彼此独立，却又能够像积木一样自由组合。

不同项目之间，真正变化的往往不是模型，而是这些组件的组合方式。

这也是 LangChain 名字中 Chain 的由来。

它强调的并不是某一个组件，而是组件之间的连接关系。

从「Chain」到「Graph」

不过，随着 AI Agent 越来越复杂，新的问题又出现了。

最初的 LangChain，更多采用的是一种线性的工作方式。

也就是说：

一个步骤结束以后，才能进入下一个步骤。

这种方式对于 RAG 或简单问答已经足够。

但是对于真正复杂的 Agent，例如：

  • AI Coding Assistant
  • Deep Research
  • Multi-Agent Collaboration

事情开始变得没有那么简单。

模型可能需要：

  • 根据结果再次搜索；
  • 多个工具同时执行；
  • 自己反思刚才的答案；
  • 必要时重新规划整个流程。

工作流已经不再是一条链，而更像一张不断循环的图。

于是，LangGraph 出现了。

很多人认为 LangGraph 是 LangChain 的升级版。

我更愿意把它理解成：

LangChain 负责提供各种能力，而 LangGraph 负责组织这些能力。

一个负责提供组件，一个负责编排组件。

它们并不是替代关系，而是互补关系。

我的理解

很多教程都会告诉你：

LangChain 有 Prompt、Memory、Tool、Retriever、Agent……

这些当然都很重要。

但如果只记住这些 API，很快就会忘记。

真正值得理解的是它背后的设计思想。

在我看来，LangChain 从来都不是一个聊天框架。

它更像一套围绕大语言模型构建应用的软件工程框架。

它关注的，不是「模型如何思考」。

而是：

当模型需要和现实世界协作时，我们应该如何组织整个系统。

这也是为什么今天越来越多的 AI Agent、RAG 系统、企业 Copilot，都能够看到 LangChain 的影子。

写在最后

如果说 GPT 让我们第一次拥有了能够理解自然语言的「大脑」。

那么 LangChain，则让这个大脑第一次拥有了双手、双脚以及记忆。

它不会让模型变得更聪明。

却让模型真正开始具备完成复杂任务的能力。

下一篇，我想聊聊 LangChain 中最重要的设计思想之一：

为什么 Runnable 会逐渐取代传统的 Chain？

Related posts

PLUSZZZ*ZHANGJIA*