前置

安装下环境。

开启一个虚拟环境，接下来安装一些依赖：

pip install -U langchain
pip install langchain-deepseek

我使用的deepseek的key，安装的是deepseek的依赖。接下来跑一下文档中的例子：

from pathlib import Path
from dotenv import load_dotenv
from langchain.agents import create_agent
load_dotenv.resolve.parent.parent / ".ENV")
def get_wear -> str:
"""Get wear for a given city."""
return f"It's always sunny in {city}!"
agent = create_agent(
model="deepseek:deepseek-chat",tools=,system_prompt="You are a helpful assistant"。)
result = agent.invoke(
{"messages": }
)
print

# 输出

一、LangChain 技术栈全景图

1️⃣ LangChain 在 AI 应用中的定位

LangChain 是目前最主流的大模型应用开发框架，它不负责训练大模型，而是帮助开发者更高效地建立 AI 应用。

刚开始做 AI 项目时直接调用 OpenAI、Claude 或 DeepSeek 的 API 就能快速写出 Demo。但项目一旦变复杂，各种问题就会接踵而来：

• Prompt 越来越长，越来越难维护；
• 工具越来越多，调用逻辑越来越乱；
• 知识库和 RAG 不知道怎么接；
• 多步骤任务流程难以管理；
• Token 消耗、调用链路和线上问题难排查。

这些问题几乎是所有 AI 项目都会遇到的共性痛点。正因为如此，LangChain 扮演了类似 Spring/Django 这样的“主要框架”角色——把 Prompt 管理、Tool Calling、RAG、工作流编排还有可观测性等能力进行了统一封装。让你不用重复造轮子，可以把更多精力放在业务逻辑上。怎么说呢，

2️⃣ LangChain 环境组成

• LangChain Core: 基石层。统一接口规范，不做实现，只定义大模型、聊天模型、检索器、工具、消息等主要概念的标准协议，让上层组件按同一标准对接。
• LangChain: 基于 Core 的标准接口。对接百家大模型、几十种向量数据库还有搜索引擎、代码执行器等第三方工具，并提供常用链路如检索问答链、链。老实说，
• LangGraph: 将每一步逻辑定义成节点。把判断条件定义成边，轻松搭建带状态支持循环分支的工作流，无需自己手写状态管理代码。不过，
• LangSmith: 完整记录每一次调用的全链路信息：输入输出、Token 消耗、中间变量等。一眼即可定位问题或评估效果。
• LangServe: 把链/Agent 快速打包成标准 REST API。自带流式输出支持，几行代码即可从本地部署线上服务，大幅缩短从开发到上线方法。老实说，

3️⃣ 从 Chain 到 LCEL

LeargChain 早期靠封装好的 Chain快速出圈。但落地生产时存在以下痛点：

• 至于黑盒感强，逻辑被封死在类里想改中间逻辑或加自定义处理就得重写；
• 仅支持线性执行，分支/并行/循环无法原生实现；
• 从生产能力缺失来看。流式输出/异步/批处理支持差，需要外层补逻辑；
• Chain 种类繁杂。用法不一致，学习成本高，

LCEl 的主要是把所有组件统一为标准 Runnable 接口，用管道符 | 像搭积木一样拼接链路。它解决了上述痛点：

• 直观易读 & 增改灵活： 写法像“a | b | c”，随时插拔组件。Coding cost ↓ ：  无胶水代码。No hidden bugs :  统一输入输出格式。
• a native support for stream / async / batch : 直接可用 stream / ainvoke / batch 等方法。
• a natural fit with LangSmith & LangServe : 调试追踪与部署无缝衔接。
• a lower learning curve : 只需掌握 “Runnable + pipe” 就能快速上手。 说起来，

二、Runnable：langchain 的统一执行模型 & 实战案例拆解与常用方法

A. 为什么需要 Runnable？怎么说呢，

PROMPT → MODEL → PARSER 本质都是函数。但没有统一抽象，它们各自拥有不同输入输出格式。当你要把它们串联起来时就需要手动处理每一步的适配——这就是简单讲的“胶水代码爆炸”。Runnable 的出现解决了这个痛点。使 Prompt/Model/Parser 等都可以像同一种东西一样被使用，从而让你可以专注业务而不是底层细节。

B. Runnable 主要 API 与运行阶段概述:

C. Runnable 的组合能力 & 用法示例

Primitive Type Description Example Code snippet Typical Use‑Case Common Pain Point Resolved

 


| Pipe 

将前一个 Runnable 输出作为后一个输入，在内部创建 SquenceRunnable▶︎︎︎︎︎︎︎︎︎︎◀︎◀︎◀◀▲▲▲▲▼▼▼▼▼▼▼▼▲▲▲►►►►►●○✽⟰✂✎✍✑➖➕➖➗⇄⇅↔↕⇔⇕〘〙⟪⟫☠☢☣☠☢☣🔬🔬🔬⌛⌛⌛⌛⌛⧩⊙∝∑∑∑∑∑⚡⚡⚡⚡⚡✦✦✦❇❇❇❇❇🌀🌀🌀🌀🌀🌀🌈🌈🌈🌈🌈🌐🌐🌐🌐🌐🔧🔧🔧🔧🔧🎯🎯🎯🎯🎯👁👁👁👁👁🐬🐬🐬🐬🐬💭💭💭💭💭🍏🍏🍏🍏🍏📸📸📸📸📸🚀🚀🚀🚀🚀🕹️🕹️🕹️🕹️🕹️㊙️㊙️㊙️㊙️㊙️ ―――――――――――――――――――――――◆◆◆◆◆◆ → ←
)
☐ 顺序组合非常直观。☐ 支持 pipe 方法或 | 运算符两种写法。☐ 能够通过 .with_config 给每个子步骤打标签，用于追踪。A common scenario: building a summarization chain from prompt->model->parser.
chain = prompt | model | parser



建立简单流水线，如摘要生成或文本分类等业务功能。其实，
避免手动拼装字符串导致错误。也消除了不同组件之间不兼容的问题，例如 Token 长度限制或不同消息结构需求。


| Parallel 

并行执行多个 Runnable。将相同输入同时交给它们，接下来把结果合并为 dict。话说回来，说到用法示例，python
parallel = RunnableParallel(
double=lambda x:x*2,triple=lambda x:x*3
)
result = parallel.invoke # {'double':20。'triple':30}