第8章 第1节 为什么需要 LangChain

---

第8章 第1节 为什么需要 LangChain

Tip

阅读指南

在前面的章节中，我们学会了调用 API、设计 Prompt、构建 RAG 系统、使用 MCP 调用工具。但每次开发 AI 应用都要写很多重复代码——管理对话历史、解析 Function Calling、处理错误重试。这就像每次做饭都要从磨刀、洗菜、生火开始，太累了。

1.1 重复造轮子的痛苦

还是用之前的案例：开发一个游戏攻略助手。

需求

1. 用户问问题
2. 检索知识库找答案
3. 如果需要实时数据(如最新版本信息),调用游戏 API
4. 整合结果后返回

传统写法

# 1. 管理对话历史
messages = []

# 2. 调用 RAG 检索
def search_knowledge(query):
    embedding = get_embedding(query)
    results = vector_db.search(embedding)
    return results

# 3. 判断是否需要调用 API
def need_api_call(query, rag_results):
    prompt = f"根据检索结果判断是否需要调用游戏 API 获取实时数据..."
    response = openai.chat.completions.create(...)
    return "需要调用" in response

# 4. 调用游戏 API
def call_game_api(query):
    # 调用游戏数据 API
    ...

# 5. 组装完整流程
def answer_question(user_query):
    # 检索知识库
    rag_results = search_knowledge(user_query)

    # 判断是否需要调用 API
    if need_api_call(user_query, rag_results):
        api_data = call_game_api(user_query)
        context = rag_results + api_data
    else:
        context = rag_results

    # 生成回答
    messages.append({"role": "user", "content": user_query})
    response = openai.chat.completions.create(
        model="qwen3.6-plus"
        messages=[
            {"role": "system", "content": f"参考资料:\n{context}"},
            *messages
        ]
    )

    answer = response.choices[0].message.content
    messages.append({"role": "assistant", "content": answer})

    return answer

这段代码有什么问题?

• 重复代码多 - 每个项目都要写类似的对话管理、工具调用逻辑
• 不易维护 - 逻辑散落在各处，改起来麻烦
• 缺少抽象 - 没有统一的接口，复用困难
• 容易出错 - 手动管理状态，容易漏掉边界情况

1.2 LangChain 的解决方案

LangChain 提供了标准化的组件，把常见的 AI 应用模式封装成可复用的积木。

用 LangChain 改写:

from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.tools import Tool
from langchain.agents import initialize_agent

# 1. 初始化组件
llm = ChatOpenAI(model="gpt-5")
memory = ConversationBufferMemory()

# 2. 定义工具
game_api_tool = Tool(
    name="game_api",
    func=call_game_api,
    description="获取游戏实时数据,如角色属性、版本信息等"
)

# 3. 创建 Agent（智能代理，能自主决定何时调用工具）
# Agent 的详细原理和实现，我们会在第9章详细讲解
agent = initialize_agent(
    tools=[game_api_tool],
    llm=llm,
    memory=memory,
    agent="conversational-react-description"
)

# 4. 使用
answer = agent.run("原神中雷电将军的命座效果是什么?")

• 对话管理 - ConversationBufferMemory 自动处理
• 工具调用 - Agent（智能代理）自动决定何时调用游戏 API
• 流程编排 - 框架自动处理检索→判断→API调用→生成的流程
• 错误处理 - 内置重试和降级机制

关于 Agent
Agent（智能代理）是能够自主决策的 AI 系统，也是目前AI领域最火的前沿概念和技术。在LangChain中，Agent会根据用户问题，自动判断需要调用哪些工具、按什么顺序调用。关于 Agent 的详细原理和实现，我们会在第9章详细讲解。

1.3 LangChain 就像乐高积木

LangChain 的核心思想:把 AI 应用拆解成标准化的组件，像搭积木一样组装。

核心组件:

1. LLMs - 大模型接口(OpenAI、Qwen、本地模型等)
2. Prompts - Prompt 模板管理
3. Chains - 把多个步骤串联起来
4. Memory - 对话历史管理
5. Tools - 外部工具调用
6. Agents - 智能代理，让 AI 自主决策调用哪些工具（后续章节详述）

传统开发就像每次都手工制作零件，然后组装成产品。LangChain 提供了标准化的乐高积木，你只需要:

1. 选择需要的积木(组件)
2. 按照说明书组装(配置)
3. 运行(调用)

1.4 ■ 学点英语

中文	English	音标	说明
链式框架	LangChain	/læŋ tʃeɪn/	将 AI 应用拆解成标准化组件的集成框架
样板代码	Boilerplate Code	/ˈbɔɪlərpleɪt koʊd/	反复编写的基础性重复代码
编排	Orchestration	/ˌɔːrkɪˈstreɪʃn/	协调多个组件按流程协同工作
组件	Component	/kəmˈpoʊnənt/	可复用的模块化功能单元

1.5 下一节预告

我们目前只是通过一个案例大致感受了 LangChain 的作用，却还没有系统梳理这个框架本身：到底有哪些核心组件，它们之间如何协同工作，又该如何在真实项目中按需选择。接下来，我们会从概念层面把 LangChain 拆开来看，理清它的基本积木和连接方式，为后面搭建第一个完整应用打下清晰的认知基础。