LangChain
新收录118K+ Stars的AI应用开发框架，提供模块化组件构建复杂LLM应用，支持Python和JavaScript。LangChain是LLM应用开发的标准框架。
核心功能
评分详情
6200 条评价
替代工具
能力拓展
Chain构建
点击了解该能力的详细应用场景
Agent抽象
查看该能力在实际使用中的表现
RAG支持
探索该能力如何提升工作效率
工具调用
了解该能力的最新更新和优化
提示： 大多数AI工具支持API接入，您可以根据需要在第三方应用或自动化工作流中集成使用。 该工具提供免费版本，建议先体验再决定是否付费升级。
更新说明
最新更新
如何使用LangChain
安装LangChain
pip install langchain langchain-openai langchain-community 可选组件：langchain[all]安装全部集成，langchain-experimental实验性功能。JavaScript版本：npm install langchain @langchain/core
构建第一个Chain
使用LCEL(LangChain Expression Language)链式调用： from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate llm = ChatOpenAI() prompt = ChatPromptTemplate.from_template("用{language}写一个{topic}") chain = prompt | llm result = chain.invoke({"language": "Python", "topic": "快速排序"})
使用RAG和工具
RAG实现：使用VectorStoreRetriever检索文档，FAISS/Chroma作为向量数据库。 Agent工具：from langchain.agents import load_tools tools = load_tools(["serpapi", "llm-math"], llm=llm) agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION)
适用场景
RAG知识库问答
使用LangChain构建企业知识库问答系统。文档分割后向量化存储，检索相关片段后结合问题生成答案。支持PDF、Markdown、Notion等多格式文档，是构建智能客服的核心方案。
多步骤复杂推理
利用LangChain的Chain结构实现复杂推理流程。示例：用户查询 → 查询数据库获取用户画像 → 判断意图 → 调用相应工具 → 整合结果 → 生成回复。LCEL让链式组合简单直观。
工具调用型Agent
构建能调用外部工具的Agent：web-search获取最新信息、calculator进行计算、API查询获取实时数据。Agent自主决定调用顺序和参数，LangChain统一管理工具执行和结果处理。
聊天机器人开发
使用LangChain构建带记忆的聊天机器人。ConversationBufferMemory保存对话历史，ConversationChain管理上下文。在对话过程中调用RAG增强回复准确性。
使用技巧
-
LCEL是LangChain v0.2+的核心语法，推荐优先学习。使用|操作符组合组件比传统Chain更直观，性能也更好。
-
RAG效果优化：使用RecursiveCharacterTextSplitter合理分割文档，设置正确的chunk_size和chunk_overlap，检索时使用MaxMarginalRelevance提升多样性。
-
生产环境使用LangSmith进行调试和监控。pip install langsmith后设置环境变量，LANGCHAIN_TRACING_V2=true LANGCHAIN_API_KEY=xxx
-
大量文档检索时使用ParentDocumentRetriever避免切割破坏上下文完整性。对于高度结构化的文档，考虑使用ElementType区分不同层级。