LangChain 2026 入门指南：用 Python 构建你的第一个 LLM 应用

大模型应用开发的标准框架。从 Chain 到 Agent，一步步带你掌握 LLM 编排的艺术。

如果说大模型是大脑，那么 LangChain 就是连接大脑与四肢的神经网络。

在 2026 年，单纯调用 LLM API 已经无法满足复杂的业务需求。你需要让 AI 记住上下文、搜索网络、查询数据库、根据情况调用工具。LangChain 就是为此而生的框架，目前它已经成为构建 LLM 应用的事实标准。

什么是 LangChain？

LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它提供了一套标准化的接口，让你能够像搭积木一样，将不同的组件（模型、提示词、内存、索引、代理）组合在一起。

核心组件：

  1. Models (模型)：通用的 API 接口，无论是 OpenAI、Anthropic 还是本地的 Ollama，想切就切。
  2. Prompts (提示词)：更科学地管理和复用 Prompt 模板。
  3. Chains (链)：将多个步骤串联起来（例如：先总结文章，再翻译成中文）。
  4. Agents (代理)：让 AI 根据任务自主决定下一步做什么（例如调用搜索工具）。
  5. Memory (记忆)：让 AI 记住多轮对话的内容。
  6. LangGraph (新星)：2026 年的重头戏，用于构建复杂的、有环的、多智能体协作系统。

环境搭建

1. 安装 Python

确保你的 Python 版本 >= 3.10。

2. 安装 LangChain

我们建议使用 pip 安装。

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Windows 用户使用 venv\Scripts\activate

# 安装核心库
pip install langchain langchain-openai langchain-community

3. 配置 API Key

export OPENAI_API_KEY="sk-proj-xxxxxxxx"

你的第一个 LLM 应用：翻译助手

我们先写一个最简单的 Chain：接收用户输入，将其翻译成法语。

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 初始化模型
model = ChatOpenAI(model="gpt-4o")

# 2. 创建提示词模板
prompt = ChatPromptTemplate.from_template(
    "请将下面的文本翻译成{language}：\n{text}"
)

# 3. 定义输出解析器（直接提取字符串结果）
parser = StrOutputParser()

# 4. 构建 Chain（使用 LCEL 语法，像管道一样连接）
chain = prompt | model | parser

# 5. 运行
result = chain.invoke({"language": "法语", "text": "你好，我想学习 LangChain。"})
print(result)
# 输出: Bonjour, je veux apprendre LangChain.

看，这就是 LCEL (LangChain Expression Language) 的魅力。通过 | 符号，我们将提示词、模型和解析器串联成了一个流水线。

进阶玩法：构建 RAG (知识库问答)

只要稍微改几行代码，就可以让 AI 回答私有数据的问题。

from langchain_community.document_loaders import WebBaseLoader
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain

# 1. 加载网页数据
loader = WebBaseLoader("https://docs.langchain.com/docs")
docs = loader.load()

# 2. 切分文档
text_splitter = RecursiveCharacterTextSplitter()
documents = text_splitter.split_documents(docs)

# 3. 存入向量数据库
vector = FAISS.from_documents(documents, OpenAIEmbeddings())

# 4. 创建检索器
retriever = vector.as_retriever()

# 5. 创建问答链
prompt = ChatPromptTemplate.from_template("""根据下面的上下文回答问题：
<context>
{context}
</context>
问题：{input}""")

document_chain = create_stuff_documents_chain(model, prompt)
retrieval_chain = create_retrieval_chain(retriever, document_chain)

# 6. 提问
response = retrieval_chain.invoke({"input": "LangChain 是什么？"})
print(response["answer"])

LangSmith：调试神器

开发 LLM 应用最痛苦的是什么？是不知道由于哪一步出错导致输出离谱。 LangSmith 是 LangChain 官方推出的监控平台。只要设置环境变量：

export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="your-api-key"

你所有的 Chain 运行轨迹、Token 消耗、延迟时间都会在 Web 后台可视化展示。这对于优化 Prompt 和调试 Agents 至关重要。

下一步学什么？

  1. LangServe：一键把你的 Chain 部署成 REST API。
  2. LangGraph：学习如何构建有状态的、循环的 Agent 流程（这是 2026 年的主流）。
  3. 多模态：尝试引入图像和音频模型。

LangChain 正在把 AI 开发的门槛降到最低。现在，任何人都可以是 AI 工程师。