LangChain 生态总览

更新日期：2026-08-24
用途：作为 LangChain 生态学习入口。详细知识点已经拆到 本专题文章 目录下。

1. 一句话理解

LangChain 生态不是一个单独的库，而是一套围绕 LLM 应用开发的工具体系：

langchain_core 是底座
langchain 是开发框架
langgraph 是流程编排和 Agent 运行时
langsmith 是调试、评估、监控平台
各种 langchain_xxx / langchain_community 是外部工具和模型的适配器

2. 生态关系图

你的业务代码
  |
  | 调用模型、Prompt、工具、检索器
  v
langchain
  |
  | 底层统一接口来自这里
  v
langchain_core

模型、向量库、工具通过集成包接进来：
  - langchain_openai
  - langchain_anthropic
  - langchain_community
  - langchain_text_splitters
  - langchain_chroma / langchain_qdrant / langchain_pinecone

复杂 Agent 流程：
  langgraph
    -> State
    -> Node
    -> Edge
    -> Conditional Edge
    -> Checkpointer
    -> Human-in-the-loop

调试、评估、监控：
  langsmith
    -> Trace
    -> Dataset
    -> Evaluation
    -> Feedback

3. 文档阅读顺序

建议按这个顺序读：

1. 生态分层
2. langchain_core 基础对象
3. 模型调用
4. RAG 基础链路
5. Agent 和工具调用
6. LangGraph 编排
7. LangSmith 观测和评估
8. 企业 RAG 工程化
9. 学习和实践路径
10. 自测清单

4. 先运行 Demo

不要只按顺序读理论。每篇 01-08 文档都有对应的可执行入口，统一说明见 examples/README.md。所有生成类示例都用 ChatOpenAI 调用 OpenAI ChatGPT，需要先配置 OPENAI_API_KEY。

5. 最常见组合

5.1 基础 RAG

langchain_core
langchain
langchain_openai 或其他模型集成包
langchain_text_splitters
向量库集成包

适合：企业知识库问答、文档问答、FAQ 助手、简单检索增强生成。

5.2 复杂 RAG Agent

langchain_core
langchain
langgraph
langsmith
模型集成包
向量库集成包

适合：多轮任务、查询改写、多路检索、答案自检、人工审批、可恢复流程。

5.3 上线生产

langsmith
评估数据集
trace 追踪
成本监控
Prompt 版本管理
用户反馈闭环

生产环境不要只看“本地问了几个问题，感觉还行”。企业 RAG 和 Agent 必须能追踪、能评估、能复盘。

6. 核心分工

问题	主要看谁
我要统一调用不同模型	langchain_core + 模型集成包
我要写 Prompt 模板	langchain_core / langchain
我要把函数变成工具	langchain_core.tools / langchain.tools
我要快速创建 Agent	langchain
我要复杂流程编排	langgraph
我要循环、分支、人工审批	langgraph
我要记录每一步调用	langsmith
我要做评估集和回归测试	langsmith
我要看线上成本和延迟	langsmith

7. 推荐学习路线

第一阶段：先搞懂普通 RAG。

文档加载 -> 文本切分 -> Embedding -> 向量库 -> Retriever -> Prompt -> LLM -> Answer

第二阶段：搞懂 langchain_core 里的基础接口。

Message -> PromptTemplate -> Runnable -> Tool -> OutputParser

第三阶段：做工具调用和简单 Agent。

函数 -> Tool -> 模型选择工具 -> 工具结果回到模型 -> 最终回答

第四阶段：流程复杂后再学 LangGraph。

State -> Node -> Edge -> Conditional Edge -> Checkpointer -> Human-in-the-loop

第五阶段：接入 LangSmith。

Trace -> Dataset -> Evaluation -> Feedback -> Monitoring

8. 一句话总结

先用 LangChain 跑通 RAG
再用 LangSmith 看清问题
最后在流程复杂时引入 LangGraph

9. 官方资料

• LangChain Python Overview: https://docs.langchain.com/oss/python/langchain/overview
• LangGraph Overview: https://docs.langchain.com/oss/python/langgraph/overview
• LangGraph Agentic RAG: https://docs.langchain.com/oss/python/langgraph/agentic-rag
• LangChain Core Reference: https://reference.langchain.com/python/langchain-core
• LangSmith Observability: https://docs.langchain.com/langsmith/observability
• LangSmith FAQ: https://docs.langchain.com/langsmith/faq