应用形态的三次跃迁#

课程开篇用一条一路上扬的曲线，把”从传统应用到智能体”的演进串了起来，三个时代依次是：

曲线之所以上扬，是因为每跃迁一次，应用能做的事就上了一个台阶，一直到 AI 智能化时代，应用形态变成会自己规划、自己调用工具、自己动手完成的智能体。这就是本节标题的完整含义——从传统应用到智能体时代，也是”为什么需要 LangChain”这个问题的起点：要造智能体，光有一个大模型是不够的。

单一的大模型有局限#

一个大模型自己做不到这些事：

• 没有实时数据：训练数据是”冻结”的，问”现在的热门影片”它答不准
• 会幻觉：遇到训练时没学过的内容，它会编造答案
• 不能操作外部系统：查数据库、调 API、读文件都不行
• 没有记忆：每次对话都是独立的（第 3 章学过：模型是无状态的）

所以要构建真正实用的 AI 应用，必须把大模型与外部工具、数据源和记忆机制有机结合——这正是 LangChain 要解决的问题。

图：单一的大语言模型的三大局限——知识受训练数据限制、无法直接与外部系统交互、不具备状态保持能力

LangChain 的定位#

LangChain 是大模型与应用之间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源。核心定位三点：

1. 打通大模型与外部资源：统一接口对接数据库、检索引擎、API、文件系统等
2. 封装底层复杂逻辑：抽象工具调用、记忆等能力，降低智能体开发难度
3. 支撑多智能体协作：依托 LangGraph 等生态，从单智能体拓展至多智能体协作

图：LangChain 作为大模型与应用之间的中间层——对上统一调用各类大模型，对下连接数据库、检索引擎、API、文件系统

课程对定位的完整表述#

上面三点是压缩后的版本，课程里还有几句更完整的说法：

• LangChain，是当前构建生产级 AI 智能体系统的首选。
• 完整表述：LangChain 作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。
• 第 3 点”支撑多智能体协作”的完整说法：依托 LangGraph 等生态，从单智能体拓展至多智能体协作，可构建工业级智能体。

六类典型应用场景#

图：LangChain 广泛适用的六大核心场景全景——RAG、Agent 智能体、对话机器人、多模态、内容生成、数据连接与处理

六类场景的完整表述（课程原文）#

上表是压缩版，课程对六大场景的完整说法是”痛点 + 功能”成对给出的：

1. 检索增强生成（RAG）——痛点：解决大模型知识滞后（无实时数据）和幻觉问题；功能：检索外部知识库（文档 / 数据库）并向量化，让模型基于最新、最相关的资料回答。
2. Agent 智能体构建——痛点：解决 LLM 无法直接执行复杂任务的问题；功能：将模型作为”推理引擎”，自主规划路径并动态调用外部工具（如订票、查报告、写 SQL），实现复杂任务。
3. 对话系统与聊天机器人——痛点：解决多轮对话中的”记忆”流失问题；功能：集成记忆管理系统，记住用户偏好和历史交互，并结合**私有数据（如教育教材、订单库）**提供专业服务。
4. 多模态应用开发——痛点：跨越单一文本交互的限制；功能：融合图像识别、语音转文字等技术，让模型具备处理音视频和图片的综合推理能力。
5. 自动化写作与格式化生成——痛点：解决生成内容格式不标准、质量不稳定的问题；功能：配合提示词模板（Templates）与输出解析器（Parsers），自动产出规范的报告、合同或邮件。
6. 数据连接与结构化处理——痛点：解决非结构化数据难以被模型直接利用的问题；功能：强大的数据连接能力使大模型能够与各种数据源和结构化数据交互——比如从 PDF、Excel 中提取关键信息，或实现自然语言与 SQL 的自动转换。

五层技术栈与对应岗位#

整个”AI 大模型与 Agent 应用开发”的架构可以分成五层，每层都对应一类岗位：

图：AI 大模型与 Agent 应用开发的完整架构与岗位映射——从底层的算力与 Infra、海量数据与治理，往上是 Model Foundation、行业/多模态应用大模型，最上面是应用与（Agent）层

Agents 编排与控制#

应用与 Agent 层里还有一块独立的”Agents 编排与控制”，列出的三样东西正好是这门课后面要一路学下去的工具：

• LangChain 流程图：把任务串成流程
• LangGraph 状态机：需要状态、分支、循环的复杂编排
• 多 Agent 协作系统（Multi-Agent System）：多个智能体分工协作

发展时间线（五个阶段）#

图：LangChain 在 GitHub 上的 Star 增长曲线——从 2022 年开源起一路攀升到 12 万以上

时间线的阶段细节#

上表每格只有一句话，课程对五个阶段还有更完整的描述，几处细节值得记：

• 诞生（2022-10）：Harrison Chase（哈里森·蔡斯）当时的身份是哈佛大学的机器学习项目工程师；名字取自 Language（语言模型）与 Chain（链式连接），体现的核心设计理念是”链接大语言模型与其他各种计算资源和数据，构建强大的 AI 应用”。
• 探索期（2022Q4–2023Q1）：凭前瞻性设计在开源社区迅速走红，GitHub Star 数快速破万，成为早期最受关注的大模型应用框架。
• 体系化（2023Q2–Q4）：引入 Tool、Agent、Retrieval，形成 “大模型 + 工具调用 + 记忆” 的核心架构；同期推出 LangChain Hub 与 LangSmith，初步构建了从开发、调试到部署的生态闭环。
• 平台化（2024–2025 上半年）：LangGraph 为工作流管理提供了有向图基础，LangServe 则解决了服务化部署的难题——至此生态完成从”开发框架”到”智能体平台”的跃升。
• 深层智能体（2025 下半年至今）：Deep Agent 官方定位为 Agent Harness（智能体执行框架），运行在 LangGraph 与 LangChain 之上，标志着生态进入新阶段——让开发者可构建基于多智能体的复杂化智能体系统。

两个重要版本：v0.3 的痛与 v1.x 的重构#

LangChain 长期因 API 变动频繁被戏称为”版本碎钞机”。2024 年起团队把链和智能体标记为弃用，转向基于 LangGraph 的统一智能体抽象；同时 GPT-4 之后”工具调用、结构化输出、系统提示词”都成了模型自带能力，再包一层显得多此一举——这一阶段开发者大规模流失。

图：LangChain 框架被吐槽的三大问题——文档混乱且更新滞后、抽象过度导致调试困难、版本不兼容

2025-10-20 发布 LangChain v1.0.0 + LangGraph v1.0.0，是里程碑事件：官方首次明确 API 稳定保证（2.0 前无破坏性变更）。

版本对比补全：多模态、包结构与推荐用途#

上表之外，课程对比表里还有三个维度：

而 v1.0 发布这件事，课程还补了一条背景：发布同期完成 1.2 亿美元融资，估值超 12 亿美元，印证其作为 AI 基础设施的战略价值。

v1.2 的主要模块#

图：v1.2 的包结构——核心包最小化，langchain-core 只保留核心抽象接口，模型供应商与旧 API 各自拆成独立包

文档地址：

• 中文文档：https://docs.langchain.org.cn/oss/python/langchain/overview
• 英文文档：https://docs.langchain.com/oss/python/langchain/overview
• API 查询（最常查）：https://reference.langchain.com/python/langchain/

图：API 文档查询页——LangChain、LangChain Core、LangChain Classic 等模块的接口都在这里查

官网与 GitHub 组织#

文档之前，课程先给了生态的两个总入口：

• 官网：https://www.langchain.com/
• GitHub 组织：https://github.com/langchain-ai

官方文档入口#

• 官方对四大支柱的解释：https://docs.langchain.com/oss/python/concepts/products
• 官方文档（三者对比，LangChain / LangGraph / Deep Agents 怎么选）：https://docs.langchain.com/oss/python/langchain/overview

LangChain：智能体开发的基石#

LangChain 是整个生态的核心与起点，为开发者提供模型调用、工具与中间件集成、智能体构建等一整套基础能力。其核心价值有三条：

1. 统一的模型抽象层：屏蔽不同模型服务提供商（OpenAI、Anthropic、Ollama 等）的接口差异，提供一致的调用方式。
2. 高度模块化的设计：用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩展。
3. 丰富的集成生态：预置了丰富的数据源、API、中间件等，构成强大的 AI 能力枢纽。

LangGraph：把智能体变成一张图#

把智能体内部抽象为一张有向图：

• 节点（Node）：代表独立的功能单元或决策点
• 边（Edge）：定义节点之间的流转条件与路径
• 状态（State）：共享上下文，在节点间传递并持久化

通俗理解：LangChain = 能力抽象层（有什么能力），LangGraph = 执行与编排层（怎么跑）。官方强调”快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同”。

图：两层分工——LangChain 提供标准能力（有什么能力），LangGraph 用状态机、工作流与多 Agent 系统负责”怎么跑”

图式结构带来了什么#

课程对 LangGraph 的这个卖点有一句原话：通过这种图式结构，LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。

对比一下就明白了：链式调用是一条道走到黑，而图有节点、有边、有状态——节点之间的路径写在代码里看得见（显式），分支与循环都能表达（可控，LangGraph 还支持循环调用），每一步的共享状态也都留得下（可观测）。任务一旦从”一条指令”变成”多步骤、有状态”，这三样就是刚需。

Deep Agent：执行框架#

构建于 LangChain 与 LangGraph 之上，增加了规划能力、文件系统、子 Agent 等高级功能。核心能力：

• 显式规划：自主生成、执行并动态调整多步任务计划
• 虚拟文件系统：为智能体提供结构化的中间结果与知识存储
• 子智能体：支持任务在多个智能体之间分解与协作
• 长期记忆：结合 LangGraph 状态存储，跨对话积累经验
• 可扩展中间件：嵌入安全审计、性能监控或自定义业务逻辑

图：官方文档给出的三者选择建议——想开箱即用地做智能体从 Deep Agents 起步，需要自己定制就用 LangChain，更复杂的确定性工作流编排上 LangGraph

Deep Agent 的定位补充#

课程还专门交代了 Deep Agent 的定位与目标：

• 它是新推出的全新组件，官方定位为 Agent Harness（智能体执行框架）；
• 它的目标：让开发者无须从零构建复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体；
• 顺带一句关系说明：三个框架不是竞争关系，并非互斥，复杂项目完全可以同时用到这三层。

图：基于 LLM 的应用开发体系图——LangChain 打底（基础能力层），LangGraph 居中做高级编排，Deep Agent 在上层处理复杂任务

LangSmith：让智能体的运行过程可见#

单靠 print 调试已经不够用了。LangSmith 是官方的可视化监控与测试平台，跟踪、记录、分析智能体运行时的完整调用链路：

图：LangSmith 的监控看板——LLM 调用次数与成功/失败曲线、延迟分位数（P50/P99）、成本与 Token 消耗

LangSmith 官网与质量闭环#

• LangSmith 官网：https://www.langchain.com/langsmith
• 课程对它的收尾评价：LangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环。

LangChain 生态支持 Python 与 JavaScript#

课程特意点明：LangChain 生态支持包括 Python 和 JavaScript 两种语言实现，其中 Python 版本仍是功能最完整、更新最及时、社区最活跃的核心实现——本课程讲的也是 Python 版。

一、回忆填空（写完再展开对答案）#

1. LangChain 的名字来自 ____（语言模型）和 ____（链式连接）的组合
2. 单一的大模型有四个局限：没有 ____、会 ____、不能操作外部系统、没有 ____
3. LangChain 的定位是大模型与应用之间的 ____，核心定位三点：打通 ____、封装 ____、支撑 ____
4. LangChain 1.0/1.2 发布时间是 ____；官方承诺 ____ 版本之前无破坏性变更
5. v1.x 的 Agent 标准构建入口是 ____，底层基于 ____
6. v1.x 把旧功能迁移到 ____ 包，主 langchain 包保持轻量
7. 四大支柱：（基础能力层）、（运行时编排层）、（智能体抽象层）、（监控与评估层）
8. LangGraph 把智能体抽象成有向图：____ 是功能单元、____ 定义流转、____ 是共享上下文
9. LangChain 1.2 要求 Python 版本 ____ 以上

二、概念自测#

• 2-1 用自己的话说清楚：为什么”只调大模型 API”做不出实用的 AI 应用？
• 2-2 LangChain 和 LangGraph 的分工是什么？（用”有什么能力”和”怎么跑”来回答）
• 2-3 网上看到一段代码用了 initialize_agent 和 AgentExecutor，你怎么判断它的版本？在 1.x 里应该用什么替代？