# **LangChain 入门教学：一张地图搞懂模型、链、RAG、图与智能体**

> 这是一篇面向"想系统学 LangChain 但被各种名词绕晕"的开发者的教学文章。我们不从某段代码开始，而是先建立一张**认知地图**：LangChain 到底有哪些零件、各自解决什么问题、什么时候该用哪个。文中代码均为**示意代码**（教学用途），聚焦理解，不追求完整可跑。

## 一、先建立地图，再学工具

如果你搜过 LangChain 的教程，大概率会陷入混乱：有人说用 Chain，有人说用 LangGraph，有人说 `create_react_agent`，还有人说 AgentExecutor——**这些其实都是历史遗留造成的"版本差"**。

好消息是，2026 年的今天，官方路线已经非常清晰：

- **LangChain 1.0** 是核心框架（模型抽象、提示词、工具、RAG 组件）；
- **LangGraph 1.0** 是官方编排运行时（把流程变成图，支持持久化、人工介入、流式）；
- **智能体的标准入口是 `create_agent`**（来自 `langchain.agents`），旧的 `AgentExecutor` 已废弃、`create_react_agent` 已不再推荐；
- **LangSmith** 是官方可观测与评测平台（追踪每一步、评测智能体轨迹）。

换句话说：**别再看老教程了，认准"LangChain 1.0 + LangGraph + create_agent"这条主线**，剩下的都是细节。

## 二、一张图看懂 LangChain 生态

```mermaid
flowchart TD
 subgraph LC[LangChain 1.0 核心包]
 CM[ChatModel 统一模型接口 init_chat_model]
 PR[Prompt 与输出解析]
 TL[Tool 工具系统 @tool 装饰器]
 RAG[RAG 组件 Loader / Splitter / Embedding / Retriever]
 LCEL[LCEL 声明式管道]
 end
 subgraph LG[LangGraph 1.0]
 SG[StateGraph 节点 / 边 / 条件边]
 AG[create_agent 智能体工厂 + 中间件]
 CK[Checkpointer 持久化 / thread_id]
 end
 subgraph INT[集成包]
 O[langchain-openai]
 AN[langchain-anthropic]
 GG[langchain-google-genai]
 CM2[langchain-community 文档加载器 / 向量库]
 end
 subgraph LS[LangSmith]
 TR[追踪 / 评测 / 数据集]
 end
 INT --> CM
 LC --> AG
 LG --> LS
```

学习顺序建议：**ChatModel → Prompt → Tool → RAG → LCEL → LangGraph → create_agent**。下面按这个顺序一课一课讲。

## 第一课：ChatModel——所有应用的起点

一切 AI 应用的第一步都是"调一个模型"。LangChain 的价值之一，就是**把各家模型的差异抹平**：你写的业务代码不需要知道背后是 OpenAI、Anthropic、谷歌还是国产模型。

```python
from langchain.chat_models import init_chat_model

# 统一接口，模型标识格式：provider:model
model = init_chat_model("openai:gpt-4o") # OpenAI
model = init_chat_model("claude-sonnet-4-6") # Anthropic
model = init_chat_model("google_genai:gemini-2.5-flash-lite") # 谷歌
model = init_chat_model("ollama:llama3") # 本地模型

# 三种基本调用方式
resp = model.invoke("LangChain 是什么？") # 一次调用
for chunk in model.stream("讲个故事"): # 流式输出
 print(chunk.text, end="")
results = model.batch(["问题1", "问题2"]) # 批量调用
```

聊天模型以"消息"为单位，记住这四种消息类型，后面所有概念都建立在它们之上：

| 消息类型 | 含义 |
|----------|------|
| `SystemMessage` | 系统角色设定（你是谁、什么规矩） |
| `HumanMessage` | 用户输入 |
| `AIMessage` | 模型回复（可能含工具调用请求 `tool_calls`） |
| `ToolMessage` | 工具执行结果，回填给模型 |

## 第二课：Prompt 与工具——给模型“说明书”和“双手”

**Prompt 模板**让提示词可复用、可参数化：

```python
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
 ("system", "你是一位{role}专家，回答问题要简洁。"),
 ("user", "{question}"),
])
final_prompt = prompt.invoke({"role": "Python", "question": "什么是装饰器？"})
```

**工具**让模型从"只会说"变成"能做事"。定义一个工具，本质上就是写一个带文档字符串的普通函数：

```python
from langchain.tools import tool

@tool
def add(a: int, b: int) -> int:
 """计算两个整数的和。"""
 return a + b

# 把工具"绑定"到模型：模型会判断何时需要调用它
model_with_tools = model.bind_tools([add])
resp = model_with_tools.invoke("23 + 45 等于多少？")
for tc in resp.tool_calls:
 print(tc["name"], tc["args"]) # -> add {"a": 23, "b": 45}
```

注意一个关键点：**工具描述写得好不好，直接决定模型会不会用、什么时候用**——它相当于给模型的"产品说明书"。

## 第三课：RAG——让模型“知道”你的私有数据

模型训练完就定格了，不知道你公司的文档。RAG（检索增强生成）的思路很简单：**先把你的文档切成块、向量化、存进向量库；用户提问时，先检索出相关片段，再连同问题一起交给模型**。

索引阶段（一次性的）：

```python
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS

# 1. 加载文档
docs = TextLoader("product_manual.txt").load()

# 2. 切块（块大小与重叠率是 RAG 效果的第一影响因素）
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)

# 3. 向量化 + 存入向量库
vector_store = FAISS.from_documents(chunks, OpenAIEmbeddings())
```

查询阶段（每次问答）：

```python
retriever = vector_store.as_retriever(search_kwargs={"k": 4})
relevant_docs = retriever.invoke("怎么给产品充值？") # 拿到最相关的 4 个片段
# 然后把片段拼进提示词，交给模型生成答案
```

到这里你会发现：RAG 只是"检索"和"生成"的组合。**但生产级 RAG 远不止这三行**——问题重写、混合检索、精排、相关性校验、来源引用，每一步都有学问（想深入可以看本系列的《企业知识库实战》篇）。

## 第四课：LCEL——把零件“管道”式组合

当你有了模型、提示词、输出解析器，怎么把它们拼起来？LCEL（LangChain 表达式语言）用 `|` 像管道一样连接：

```python
from langchain_core.output_parsers import StrOutputParser

chain = prompt | model | StrOutputParser() # 提示词 → 模型 → 字符串解析
result = chain.invoke({"role": "Python", "question": "什么是 GIL？"})
```

LCEL 适合"**顺序固定的简单流程**"：输入进去、一路到底、没有分支。一旦流程有分支、有循环、有重试，就该升级到图。

## 第五课：LangGraph——把流程变成一张图

LangGraph 的核心心智模型只有三样东西：**State（共享状态）、Node（节点）、Edge（边）**。

- **State**：一份贯穿全程的共享数据（通常是消息列表）；
- **Node**：一个步骤（调模型、跑工具、写数据库……），读 State、改 State；
- **Edge**：控制流，还可以是**条件边**——"模型要调工具就走工具节点，否则直接结束"。

```python
from langgraph.graph import StateGraph, START, END

builder = StateGraph(MyState) # 定义图，绑定状态类型
builder.add_node("call_model", call_model_node)
builder.add_node("run_tool", run_tool_node)
builder.add_edge(START, "call_model")
builder.add_conditional_edges( # 条件边：根据模型输出决定走向
 "call_model",
 needs_tool, # 判断函数，返回下一节点名
 {"tool": "run_tool", "end": END},
)
builder.add_edge("run_tool", "call_model") # 工具结果回填，形成循环
graph = builder.compile()
```

那"一个模型反复调工具直到完成任务"的智能体呢？——**这正是 LangGraph 最经典的一个图**，而官方已经帮你把它封装好了，那就是下一课的 `create_agent`。

## 第六课：智能体——create_agent 与中间件

到了 2026 年，**建智能体的标准姿势就是一行 `create_agent`**：

```python
from langchain.agents import create_agent
from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
 """返回指定城市的天气。"""
 return f"{city} 晴，31℃"

agent = create_agent(
 model="openai:gpt-4o",
 tools=[get_weather],
 system_prompt="你是天气助手，要用工具查询，不要瞎猜。",
)
result = agent.invoke({"messages": [{"role": "user", "content": "北京天气？"}]})
print(result["messages"][-1].content)
```

这一行背后发生的事：**模型节点 ↔ 工具节点 + 条件边 + 循环**，也就是第七课那张图，只是你不用手画了。再叠加两个关键能力：

1. **持久化（记忆）**：传一个 `checkpointer` + 每次带 `thread_id`，多轮对话就自动记住了：

```python
from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(model="openai:gpt-4o", tools=[...],
 checkpointer=InMemorySaver())
agent.invoke({"messages": [...]}, config={"configurable": {"thread_id": "conv-001"}})
```

2. **中间件（自定义扩展点）**：限流、历史裁剪、Token 预算、人工审批、重试兜底……这些"每次都必须、又不能靠提示词保证"的生产级逻辑，都通过 `AgentMiddleware` 挂在智能体循环上，互不耦合、可插拔（本系列第一篇《用 LangChain 新 Agent API 与中间件机制，构建生产级 AI 智能体》详细讲过）。

## 第七课：什么时候用 Chain、图还是智能体？

这是新手最容易纠结的问题，一张表说清楚：

| 场景 | 选型 | 原因 |
|------|------|------|
| 固定流程，一路到底（总结、翻译、格式化） | **LCEL Chain** | 简单直接，没有分支 |
| 有分支、循环、人工介入、可恢复的流程 | **LangGraph 自定义图** | 状态与控制流是显式的 |
| "让模型自主决定调用哪些工具完成任务" | **create_agent** | 官方标准，内置循环与中间件 |
| 长代码任务、长文档研究 | **create_deep_agent** | 官方预置的深度智能体栈 |

一句话记忆：**LCEL 是"流水线"，LangGraph 是"流程图"，create_agent 是"官方预装好的那张智能体流程图"。**

## 第八课：给新手的避坑清单

1. **别看老教程**：凡是教你 `AgentExecutor`、`create_react_agent`、`ConversationBufferMemory` 的旧文章，API 多半已废弃，认准 `create_agent` + `checkpointer`。
2. **按需安装**：`pip install langchain "langchain[openai]"`，别一把梭装全家桶；集成包按需加。
3. **工具描述即说明书**：工具 docstring 写得好，模型才用得准；写不好，模型会瞎调用或不用。
4. **RAG 效果瓶颈常在切分**：chunk_size / overlap 不是拍脑袋定的，要按文档类型试。
5. **别把所有逻辑塞进提示词**：限流、鉴权、PII 过滤这类确定性逻辑，用中间件；提示词是软约束。
6. **从第一天就接观测**：LangSmith（或自建日志）记录每次模型调用与工具调用，出问题才有得查。
7. **模型切换是"换字符串"**：`model="provider:model"` 改一行就行——这正是抽象层给你的红利。

## 结语

LangChain 最大的价值不是"少写代码"，而是给了你一套**稳定、可组合、可观测**的抽象：模型统一接口、工具即函数、流程即图、智能体即工厂函数。把这套心智模型装进脑子，再看任何具体 API，都不会迷路。

学习路径建议：先用 `create_agent` 做出第一个能调工具的智能体（半小时），再用 `init_chat_model` + LCEL 做一条简单 Chain，然后上手 LangGraph 手写一个多节点流程，最后回头研究中间件与生产化。**先跑通，再拆开，最后做深**——这是学任何框架都通用的顺序。

这是一篇面向"想系统学 LangChain 但被各种名词绕晕"的开发者的教学文章。我们不从某段代码开始，而是先建立一张认知地图：LangChain 到底有哪些零件、各自解决什么问题、什么时候该用哪个。文中代码均为示意代码（教学用途），聚焦理解，不追求完整可跑。

LangChain 入门教学：一张地图搞懂模型、链、RAG、图与智能体

编程语言

人工智能

开发工具

LangChain入门教学：用一张认知地图快速掌握模型、链、RAG、图与智能体。文章梳理2026年官方主线LangChain1.0+LangGraph+create_agent，从ChatModel统一接口、Prompt与工具、RAG检索增强、LCEL管道到LangGraph流程图，详解create_agent标准智能体及中间件。附LCEL、LangGraph、create_agent选型对比表与新手避坑清单，助开发者避开废弃API，系统构建生产级AI应用。

代码解释

中间件

数据库

智能体

LangGraph

LangChain

Python

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

LangChain入门教学：用一张认知地图快速掌握模型、链、RAG、图与智能体。文章梳理2026年官方主线LangChain1.0+LangGraph+create_agent，从ChatModel统一接口、Prompt与工具、RAG检索增强、LCEL管道到LangGraph流程图，详解create_agent标准智能...

LangChain 入门教学：一张地图搞懂模型、链、RAG、图与智能体-腾讯云开发者社区-腾讯云

LangChain 入门教学：一张地图搞懂模型、链、RAG、图与智能体

LangChain 入门教学：一张地图搞懂模型、链、RAG、图与智能体

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐