你第一次用 OpenAI API 时几行代码就让模型开口说话了——那一刻你觉得 AI 开发但是如此。

接下来你开始做真实项目。你需要让模型记住对话历史、调用搜索引擎、读取数据库、按步骤执行任务…，其实，每一次调用都得自己手动拼接 prompt。把所有中间状态硬编码进代码里prompt 模板散落各处，对话记忆管理越来越像一坨意大利面。

读完这篇。你会理解为什么 LangChain 的主要不是“又一个 AI 框架”，而是一种把 LLM 从“会说话的引擎”变成“能干活的程序”的思维方式。

一个直观的类比

想象你在厨房做饭。你有一个超强的灶台，火力猛、反应快。但要做出一道完整的菜，你需要：

• 菜谱 — 告诉灶台先做什么、后做什么
• 食材盒 — 从冰箱里取东西、从调料架上拿调料
• 计时器 — 记住已经做了几分钟。什么时候该翻面
• 尝味勺 — 随时尝一下决定要不要加盐

LangChain 就是这整套厨房工具的组合。

用一句话公式表达：

LangChain = Prompt 模板管理 + 链式调用编排 + 外部工具集成 + 对话记忆管理

用流程来表达它做了什么：

使用者问题 → → →
↓最终答案 ← ← ←

主要概念拆解

. Chain：把多个步骤串起来

类比：工厂流水线。上一道工序的输出是下一道工序的输入。

传统做法	LangChain 做法
自己写 if‑else + 正则处理各种分支声明式地把步骤串成链，数据自动流动每一步都需要手动管理中间状态	链自动传递上下文功能耦合度高。改动牵一发动全身 组件化，可替换、可单独测试

. Agent：让模型自己决定做什么

This is LangChain’s most core value. Ordinary Chains follow a fixed flow;Agents are dynamic decision makers.

类比：C​​hain 是好员工，按 SOP 执行； Agent 是经理，能自己判断该调用哪个工具、该执行哪一步。

Cores formula:

Agent = LLM + Tools + ReAct 循环

. Memory：让对话不再是金鱼

LMM 本身是无状态的——每次调用都是一次 “失忆”。Memory 就是给模型配了个秘书，每次对话前秘书会把前情提要递过来。

• ConversationBufferMemory：完整保存对话历史

• ConversationSummaryMemory：对历史做摘要压缩

• VectorStoreRetrieverMemory：基于向量检索

. Tool：给模型装上手脚

The model can talk but cannot act by itself—Tools let it search web,query databases,call APIs,or execute code.

"Tools are model’s external organs—eyes,hands,legs ." 
          
        ​ 
    
 
 
          "

工作原理的观点是，RAG 场景演示

说到第一步先，加载文档

from langchain_community.document_loaders import TextLoader
loader = TextLoader
documents = loader.load # 把知识库加载进来

再看接下来，切分文档

from langchain.text_splitter import RecursiveCharacterTextSplitter
splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,chunk_overlap=200)
chunks = splitter.split_documents # 长文档切成小段。每段 ~1000 字
# 重叠 200 字保证上下文不断

：向量化存储

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
vectorstore = Chroma.from_documents(
chunks,OpenAIEmbeddings
) # 把文本段转成向量存入 Chroma，以便后续语义搜索

说到第四步，搭建问答链

from langchain.chains import RetrievalQA
from langchain_openai import OpenAI
qa_chain = RetrievalQA.from_chain_type(
llm=OpenAI,retriever=vectorstore.as_retriever
)
answer = qa_chain.run

―――――――――――――――――――‖

― 

‡

​

​ ​ ​ ​

​

 ​
​
​
​
​
​
​
​

 ​
​​​​
※ ※ ※

• * 写胶水代码太多——把不同业务逻辑硬编码到同一文件中；
• * Prompt 模板散落各处——很难统一更新和复用；其实，
• * 对话历史管理像意大利面——需要自行拼接字符串或维护缓冲区；按理说，
• * 调试过程漫长——错误往往隐藏在深层链条里；
• * 每个版本更新都可能打断现有实现——频繁迁移成本高。

©2026 LangChain Community

---