LangChain大模型学习入门：小白也能轻松掌握，收藏这份学习指南！

本文以通俗易懂的方式介绍了LangChain的核心概念，包括Model、Chain、Agent、Memory和Tool，并详细解释了它们各自的功能和适用场景。通过一个简单的文档问答示例，帮助读者理解如何编写可运行的LangChain流程。文章还提供了学习路线和常见陷阱的避坑指南，适合想要入门大模型学习的程序员和小白参考。

一上来就被术语砸懵了？很正常 😵

刚接触 LangChain 时，我脑子里大概是这样的：

“Chain 是链，Agent 是智能体，Memory 是记忆……每个英文单词我都认识，为什么放在一起就看不懂了？”

更让人困惑的是，网上的示例还可能来自不同版本。同一个“记住聊天记录”的需求，有人使用旧式 Memory 类，有人使用消息历史，还有人直接上 LangGraph。代码越搜越多，脉络反而越来越乱。

这篇文章不打算带你背 API。我们先做一件更重要的事：建立一张全局地图。读完后，你应该能回答三个问题：

1. Model、Chain、Agent、Memory、Tool 分别解决什么问题？

2. 什么场景应该用固定 Chain，什么场景才需要 Agent？

3. 如何写出第一条可以运行的 LangChain 文档问答流程？

图 1：LangChain 负责“编排”，模型才负责理解与生成。

先给 LangChain 一句人话定义

假设你开了一家内容加工厂。用户送来一个问题，工厂需要查资料、整理提示词、请模型生成内容、检查输出格式，最后把结果交出去。

如果全靠手写代码，你当然也能完成。但步骤一多，模型一换，错误处理、状态保存、流式输出和监控都会变得麻烦。

LangChain 就是一套 LLM 应用编排工具：它把模型、提示词、数据、工具和状态接成可执行流程。

它不是新的大模型，也不会让模型凭空变聪明。它更像“胶水”和“流水线控制器”。LangChain 官方目前把它定位为构建 LLM 应用与 Agent 的开源框架；需要更底层、更可控的图式工作流时，则可以继续使用 LangGraph。

五个核心概念，一次翻译清楚

1. Model：负责思考的“大脑” 🧠

Model 就是应用调用的语言模型，例如 OpenAI、Anthropic 或 Google 提供的聊天模型。它负责理解输入并生成输出。

LangChain 在这里做的事情，是提供相对统一的调用接口。你可以把不同厂商的模型想成不同品牌的电器，而 LangChain 尽量给它们配上相似的插座。

                                                 from langchain.chat_models import init_chat_model      model = init_chat_model(”openai:gpt-4.1-mini”)      response = model.invoke(”用一句话解释什么是 LangChain”)      print(response.content)      

需要注意：统一接口不等于模型能力完全相同。上下文窗口、工具调用、结构化输出、价格和延迟仍然取决于具体模型。

2. Chain：固定路线的“工厂流水线” 🏭

Chain 把多个步骤按预定顺序串起来。上一站的输出，就是下一站的输入。

例如一条文档问答 Chain：

                                                           用户问题      读取或检索文档      拼接 Prompt      调用 Model      解析输出      返回答案    

在现代 LangChain 中，很多 Chain 本质上是 Runnable 的组合。最直观的写法是用 | 连接：

                         chain = prompt | model | output_parser    

读起来就像：“提示词交给模型，模型结果再交给解析器。”它的最大优点是顺序明确、容易测试、成本可预测。

3. Agent：自己决定路线的“现场主管” 🤖

Chain 的路线由开发者提前规定；Agent 则会根据目标，动态决定下一步做什么。

比如用户问：“北京现在的天气适合跑步吗？”Agent 可能会：

1. 判断需要实时天气

2. 调用天气工具；

3. 读取温度、降水和空气质量；

4. 再让模型给出建议；

5. 信息不足时继续调用其他工具。

                                                                          需要外部信息      信息足够      用户目标      Agent      Model 判断下一步      调用 Tool      返回观察结果      最终回答  

这相当于给“大脑”配上手和眼睛。不过，自主性越高，路径越不确定，调试和成本控制也越难。

能用 Chain 解决的问题，先不要上 Agent。 固定流程适合稳定业务；只有步骤确实需要模型动态选择时，Agent 才有价值。

LangChain v1 中，create_agent 是创建 Agent 的标准入口。它底层使用 LangGraph 提供循环执行、状态和持久化等能力。

4. Memory：不是“无限记忆”，而是可管理的状态 🗂️

模型 API 本身通常不会自动记住上一次请求。所谓 Memory，是应用把必要的历史或用户信息保存下来，并在后续调用时重新提供给模型。

现代 LangChain 把记忆分得更清楚：

• 短期记忆：属于当前会话线程，例如最近几轮聊天和本轮工具结果；Agent 可通过 checkpointer 保存状态。
• 长期记忆：跨会话保存，例如用户偏好、档案或长期事实；通常需要持久化存储。

                                                                                                      from langchain.agents import create_agent      from langgraph.checkpoint.memory import InMemorySaver       agent = create_agent(          model=”openai:gpt-4.1-mini”,          tools=[],          checkpointer=InMemorySaver(),      # 仅适合本地演示 )           config = {”configurable”: {”thread_id”: ”demo-user-1”}}    

Memory 不是把全部聊天记录永远塞进 Prompt。上下文越长，成本越高，旧信息还可能干扰模型。生产环境通常需要裁剪、摘要、检索和数据库持久化。

5. Tool：给模型接上的“外部能力” 🛠️

LLM 擅长理解和生成语言，但它不知道今天的实时库存，也不应该靠猜完成精确计算。Tool 就是一个带有名称、说明和参数结构的可调用函数。

                                                                                 from langchain.tools import tool             @tool      def query_inventory(product_id: str) -> int:          ”””查询指定商品的实时库存数量。”””
      # 真实项目中，这里会调用数据库或业务 API     return 42      

函数说明非常重要，因为 Agent 会据此判断“什么时候该用这个工具”。工具可以查询搜索引擎、数据库和内部 API，也可以执行计算或触发业务动作。

但请记住：让 Agent 调用工具，等于授予它行动能力。涉及付款、删除、发信等高风险操作时，应增加权限校验、参数验证和人工确认。

Chain 和 Agent，到底怎么选？

一个简单判断题：如果你能在画流程图时提前确定每一步，就优先使用 Chain；如果“下一步是什么”必须依赖模型刚刚看到的结果，再考虑 Agent。

最小可运行示例：做一条文档问答 Chain

我们先不引入向量数据库。目标很简单：把一小段内部文档和用户问题交给模型，并要求它只能依据文档回答。

图 2：代码中的|就是这条流水线的传送带。

第一步：准备环境

LangChain 当前要求 Python 3.10 或更高版本。创建虚拟环境并安装核心包与 OpenAI 集成：

                                                                                python -m venv .venv         # macOS / Linux      source .venv/bin/activate            # Windows PowerShell      # .venv/Scripts/Activate.ps1       python -m pip install -U langchain langchain-openai      

设置 API Key。不要把密钥直接写进代码或提交到 Git：

                                                     # macOS / Linux      export OPENAI_API_KEY=”你的 API Key”             # Windows PowerShell      # $env:OPENAI_API_KEY=”你的 API Key”      

第二步：创建 app.py

                                                                                                                                                                                                                                                                                                                                                                                                     import os             from langchain.chat_models import init_chat_model      from langchain_core.output_parsers import StrOutputParser      from langchain_core.prompts import ChatPromptTemplate             # 1. 提前检查环境，避免请求发出后才发现没有密钥      if not os.getenv(”OPENAI_API_KEY”):          raise RuntimeError(”请先设置 OPENAI_API_KEY 环境变量”)             # 2. 这就是我们的“小文档”；真实项目可替换为文件内容      document = ”””      《团队差旅手册》      1. 工作日出差的餐费补贴为每天 120 元。      2. 酒店费用上限为每晚 600 元；一线城市可上浮 20%。      3. 所有报销应在行程结束后的 30 天内提交。      ”””.strip()             # 3. Prompt 负责定义规则，并为文档和问题预留插槽      prompt = ChatPromptTemplate.from_messages(          [              (                  ”system”,                  ”你是企业制度问答助手。只能依据给定文档回答；”                  ”若文档没有答案，请明确说‘文档中未说明’。/n/n”                  ”文档：/n{document}”,              ),              (”human”, ”问题：{question}”),          ]      )             # 4. Model 是流水线中的“大脑”      # 如账号不可用该模型，可通过 LANGCHAIN_MODEL 替换为可用模型      model = init_chat_model(          os.getenv(”LANGCHAIN_MODEL”, ”openai:gpt-4.1-mini”),          temperature=0,      )             # 5. Parser 把模型返回的消息对象转换成普通字符串      parser = StrOutputParser()             # 6. 用 | 把三个 Runnable 串成一条 Chain      chain = prompt | model | parser             # 7. invoke 会让输入依次经过 Prompt、Model 和 Parser      answer = chain.invoke(          {              ”document”: document,              ”question”: ”上海出差时，每晚酒店费用最高可以报销多少元？”,          }      )             print(answer)      

运行： python app.py

预期输出

模型措辞可能略有差异，但结果应接近：

                                上海属于一线城市，酒店费用上限可在 600 元基础上上浮 20%，      因此每晚最高可以报销 720 元。    

这段代码到底发生了什么？

1. ChatPromptTemplate

把制度、限制和问题组织成消息；

2. init_chat_model

创建统一模型对象；

3. StrOutputParser

把模型消息转换成便于程序使用的字符串；

4. prompt | model | parser

生成一个 RunnableSequence；

5. invoke()

触发整条流水线。

这还不是完整 RAG，因为文档被整体放进了 Prompt。文档很小时，这种做法最容易理解；当资料变多，再升级为：

文档加载 → 文本切分 → Embedding → 向量存储 → 检索相关片段 → 生成回答

不要一开始就把所有组件装满。先跑通最小闭环，再逐步替换其中一站。

新手最容易踩的 5 个坑

坑 1：照抄旧教程，导入路径全部报错

LangChain v1 精简了主包，旧式 Chain 等能力被移到 langchain-classic。学习时先看文章发布日期和目标版本，优先使用当前官方文档。

坑 2：什么需求都做成 Agent

Agent 看起来更“智能”，但多轮决策会增加延迟、费用和不确定性。分类、摘要、固定文档问答等任务通常用 Chain 更稳。

坑 3：把 Memory 当成无限聊天记录

上下文窗口有限，历史越长不一定越聪明。应根据业务做消息裁剪、摘要和长期信息检索，并用 thread_id 隔离不同会话。

坑 4：认为接入文档就不会胡说

Prompt 注入、不相关检索和文档冲突仍会导致错误。重要答案应显示来源，并建立测试问题集，而不是只看一次演示效果。

坑 5：只看最终答案，不看中间过程

Agent 出错时，问题可能来自模型决策、工具参数、工具结果或状态。使用 LangSmith 等追踪工具观察每一步，定位效率会高很多。

三阶段学习路线：从会调用到能交付

阶段一：入门——先把固定流程跑通

目标是理解 Model、Prompt、Parser 和 Runnable。

• 完成一个摘要 Chain、一个分类 Chain、一个文档问答 Chain；
• 练习 invoke、batch 和 stream；
• 学会通过环境变量切换模型，不在代码里硬编码密钥；
• 能解释输入和输出在每一步是什么类型。

阶段二：进阶——让应用接触外部世界

目标是掌握 Retrieval、Tool、Agent 和 Memory。

• 用文本切分、Embedding 和向量存储完成 2-Step RAG；
• 写两个真实工具，例如天气查询和数据库只读查询；
• 使用 create_agent，观察模型如何选择工具；
• 用 checkpointer 保存短期状态，并理解短期与长期记忆的边界。

阶段三：实战——从 Demo 走向可靠系统

目标不是“功能能跑”，而是“结果可控”。

• 为关键问题建立输入、期望答案和评判标准；
• 增加超时、重试、限流、权限校验与人工确认；
• 记录延迟、Token、工具调用和失败原因；
• 对高风险动作采用确定性代码，Agent 只负责建议或受控决策；
• 需要复杂循环、分支和人工介入时，再深入 LangGraph。

推荐学习资源

1. LangChain 官方文档：先看 Overview、Models、Tools、Agents 和 Memory。

2. LangChain Retrieval 指南：系统理解检索流程与 2-Step RAG、Agentic RAG 的区别。

3. LangChain Academy：官方课程，适合从基础 Agent 逐步过渡到 LangGraph 与 LangSmith。

4. LangChain 官方 GitHub：查看源码、版本说明和真实 Issue，遇到 API 差异时尤其有用。

5. DeepLearning.AI：LangChain for LLM Application Development：面向新手的短课程。课程中的部分 API 可能早于 v1，建议把它用于理解概念，并用官方迁移指南核对代码。

结语：LangChain 的价值，不在“Chain”这个名字

现在再看这五个概念：

• Model 提供理解和生成能力；
• Chain 执行预先规定的步骤；
• Tool 把外部世界接进来；
• Agent 动态选择下一步；
• Memory 保存并管理状态。

LangChain 真正的价值，是把它们编排成一个可替换、可观察、可演进的系统。它不是模型本身，而是模型与真实业务之间的“胶水”。

如果你刚入门，今天只做一件事：把上面的最小示例跑起来，然后亲手增加一个问题。等你能清楚解释每一步的输入和输出，再去接向量数据库、Agent 和长期记忆，会轻松很多。

最后留一个问题：你在学习 LangChain 时，最先被哪个概念或版本差异卡住了？欢迎在评论区分享你的坑，也许正好能帮到下一位读者。

最后

2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！

金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。

现在企业疯狂紧缺一类人才：懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。

风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？

今天整理好【2026 最新版】AI 大模型全套免费学习资源，覆盖零基础入门、项目实战、理论知识、大厂面试，从基础一路进阶。所有资料分类归档，没有多余杂料，无套路免费分享给想要入局 AI 赛道的程序员与零基础小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化完整学习路线

2、大模型经典书籍&文档

3、AI 大模型最新行业研究报告

4、企业级实战项目 + 完整配套源码

5、大厂大模型面试真题汇总

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】