为什么需要 LangChain

图：从 PC 互联网时代、移动互联网时代一路走到 AI 智能化时代，应用形态的演进取向

应用形态的三次跃迁

课程开篇用一条一路上扬的曲线，把"从传统应用到智能体"的演进串了起来，三个时代依次是：

时代	应用形态
PC 互联网时代	传统应用
移动互联网时代	移动应用
AI 智能化时代	智能体（Agent）

曲线之所以上扬，是因为每跃迁一次，应用能做的事就上了一个台阶，一直到 AI 智能化时代，应用形态变成会自己规划、自己调用工具、自己动手完成的智能体。这就是本节标题的完整含义——从传统应用到智能体时代，也是"为什么需要 LangChain"这个问题的起点：要造智能体，光有一个大模型是不够的。

单一的大模型有局限

一个大模型自己做不到这些事：

• 没有实时数据：训练数据是"冻结"的，问"现在的热门影片"它答不准
• 会幻觉：遇到训练时没学过的内容，它会编造答案
• 不能操作外部系统：查数据库、调 API、读文件都不行
• 没有记忆：每次对话都是独立的（第 3 章学过：模型是无状态的）

所以要构建真正实用的 AI 应用，必须把大模型与外部工具、数据源和记忆机制有机结合——这正是 LangChain 要解决的问题。

图：单一的大语言模型的三大局限——知识受训练数据限制、无法直接与外部系统交互、不具备状态保持能力

LangChain 的定位

LangChain 是大模型与应用之间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源。核心定位三点：

1. 打通大模型与外部资源：统一接口对接数据库、检索引擎、API、文件系统等
2. 封装底层复杂逻辑：抽象工具调用、记忆等能力，降低智能体开发难度
3. 支撑多智能体协作：依托 LangGraph 等生态，从单智能体拓展至多智能体协作

图：LangChain 作为大模型与应用之间的中间层——对上统一调用各类大模型，对下连接数据库、检索引擎、API、文件系统

课程对定位的完整表述

上面三点是压缩后的版本，课程里还有几句更完整的说法：

• LangChain，是当前构建生产级 AI 智能体系统的首选。
• 完整表述：LangChain 作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。
• 第 3 点"支撑多智能体协作"的完整说法：依托 LangGraph 等生态，从单智能体拓展至多智能体协作，可构建工业级智能体。

六类典型应用场景

场景	解决什么痛点	怎么做
检索增强生成（RAG）	知识滞后、幻觉	检索外部知识库并向量化，让模型基于最新资料回答
Agent 智能体	LLM 无法直接执行复杂任务	把模型当"推理引擎"，自主规划并调用外部工具
对话系统与聊天机器人	多轮对话的"记忆"流失	集成记忆管理，记住用户偏好和历史交互
多模态应用	只有文本	融合图像识别、语音转文字等能力
自动化写作与格式化生成	格式不标准、质量不稳定	配合提示词模板与输出解析器
数据连接与结构化处理	非结构化数据难利用	从 PDF/Excel 提取信息、自然语言转 SQL

图：LangChain 广泛适用的六大核心场景全景——RAG、Agent 智能体、对话机器人、多模态、内容生成、数据连接与处理

六类场景的完整表述（课程原文）

上表是压缩版，课程对六大场景的完整说法是"痛点 + 功能"成对给出的：

1. 检索增强生成（RAG）——痛点：解决大模型知识滞后（无实时数据）和幻觉问题；功能：检索外部知识库（文档 / 数据库）并向量化，让模型基于最新、最相关的资料回答。
2. Agent 智能体构建——痛点：解决 LLM 无法直接执行复杂任务的问题；功能：将模型作为"推理引擎"，自主规划路径并动态调用外部工具（如订票、查报告、写 SQL），实现复杂任务。
3. 对话系统与聊天机器人——痛点：解决多轮对话中的"记忆"流失问题；功能：集成记忆管理系统，记住用户偏好和历史交互，并结合**私有数据（如教育教材、订单库）**提供专业服务。
4. 多模态应用开发——痛点：跨越单一文本交互的限制；功能：融合图像识别、语音转文字等技术，让模型具备处理音视频和图片的综合推理能力。
5. 自动化写作与格式化生成——痛点：解决生成内容格式不标准、质量不稳定的问题；功能：配合提示词模板（Templates）与输出解析器（Parsers），自动产出规范的报告、合同或邮件。
6. 数据连接与结构化处理——痛点：解决非结构化数据难以被模型直接利用的问题；功能：强大的数据连接能力使大模型能够与各种数据源和结构化数据交互——比如从 PDF、Excel 中提取关键信息，或实现自然语言与 SQL 的自动转换。

大模型相关岗位介绍

课程给的判断很直接：应用开发是大模型最值得关注的方向——应用为王！ 学习 LangChain 框架，就是为了高效开发大模型应用。

五层技术栈与对应岗位

整个"AI 大模型与 Agent 应用开发"的架构可以分成五层，每层都对应一类岗位：

层	层里有什么	对应岗位
应用与（Agent）层	B 端应用：智能制造、智能客服、在线诊疗……；C 端应用：AI 翻译、AI 问答、文生图/视频……；G 端应用：城市大脑、智慧交通、在线业务；AI 智能体（Agent）：代码助手（Coding Agent）、自动化工作流、简历筛选助手	大模型与 Agent 应用开发工程师
行业/多模态应用大模型层	行业大模型：制造、医疗、金融、电商；多模态模型：文本、图像、音频、视频	大模型微调 / 算法工程师
通用大模型（Foundation Models）层	通用大模型：文心一言、通义千问、ChatGPT、豆包；LLM 推理引擎：Ollama、localAI	大模型基座开发 / 优化工程师
海量数据与治理层	结构化 / 非结构化数据；数据处理 / 清洗 / 标注（Postman 数据接口）	数据开发 / 清洗工程师
算力与 Infra 基础设施层	算力：GPU / NPU 数据中心；Infra 平台：K8s、Docker、Dify 部署	大模型运维、Infra 工程师

图：AI 大模型与 Agent 应用开发的完整架构与岗位映射——从底层的算力与 Infra、海量数据与治理，往上是 Model Foundation、行业/多模态应用大模型，最上面是应用与（Agent）层

Agents 编排与控制

应用与 Agent 层里还有一块独立的"Agents 编排与控制"，列出的三样东西正好是这门课后面要一路学下去的工具：

• LangChain 流程图：把任务串成流程
• LangGraph 状态机：需要状态、分支、循环的复杂编排
• 多 Agent 协作系统（Multi-Agent System）：多个智能体分工协作

TIP

看清楚这张图的位置关系就明白了：越往上层越贴近业务，而"应用与 Agent 层"正是这门课的主线——LangChain（流程图）→ LangGraph（状态机）→ 多 Agent 协作系统。

LangChain 是什么

发展时间线（五个阶段）

阶段	时间	标志
诞生	2022-10	Harrison Chase 创建；名字来自 Language + Chain（链接语言模型与各类资源）
探索期	2022Q4–2023Q1	初版聚焦 PromptTemplate、LLMChain，社区迅速走红
体系化	2023Q2–Q4	引入 Tool、Agent、Retrieval；推出 LangChain Hub 与 LangSmith
平台化	2024–2025 上半年	LangGraph 与 LangServe 发布，从框架走向平台
深层智能体	2025 下半年至今	推出 Deep Agent（定位 Agent Harness，智能体执行框架）

图：LangChain 在 GitHub 上的 Star 增长曲线——从 2022 年开源起一路攀升到 12 万以上

时间线的阶段细节

上表每格只有一句话，课程对五个阶段还有更完整的描述，几处细节值得记：

• 诞生（2022-10）：Harrison Chase（哈里森·蔡斯）当时的身份是哈佛大学的机器学习项目工程师；名字取自 Language（语言模型）与 Chain（链式连接），体现的核心设计理念是"链接大语言模型与其他各种计算资源和数据，构建强大的 AI 应用"。
• 探索期（2022Q4–2023Q1）：凭前瞻性设计在开源社区迅速走红，GitHub Star 数快速破万，成为早期最受关注的大模型应用框架。
• 体系化（2023Q2–Q4）：引入 Tool、Agent、Retrieval，形成 "大模型 + 工具调用 + 记忆" 的核心架构；同期推出 LangChain Hub 与 LangSmith，初步构建了从开发、调试到部署的生态闭环。
• 平台化（2024–2025 上半年）：LangGraph 为工作流管理提供了有向图基础，LangServe 则解决了服务化部署的难题——至此生态完成从"开发框架"到"智能体平台"的跃升。
• 深层智能体（2025 下半年至今）：Deep Agent 官方定位为 Agent Harness（智能体执行框架），运行在 LangGraph 与 LangChain 之上，标志着生态进入新阶段——让开发者可构建基于多智能体的复杂化智能体系统。

NOTE

五个阶段的关键词连起来就是一条主线：框架（PromptTemplate / LLMChain）→ 体系（Tool / Agent / Retrieval + Hub / LangSmith）→ 平台（LangGraph / LangServe）→ 多智能体（Deep Agent）。

两个重要版本：v0.3 的痛与 v1.x 的重构

LangChain 长期因 API 变动频繁被戏称为"版本碎钞机"。2024 年起团队把链和智能体标记为弃用，转向基于 LangGraph 的统一智能体抽象；同时 GPT-4 之后"工具调用、结构化输出、系统提示词"都成了模型自带能力，再包一层显得多此一举——这一阶段开发者大规模流失。

图：LangChain 框架被吐槽的三大问题——文档混乱且更新滞后、抽象过度导致调试困难、版本不兼容

2025-10-20 发布 LangChain v1.0.0 + LangGraph v1.0.0，是里程碑事件：官方首次明确 API 稳定保证（2.0 前无破坏性变更）。

维度	v0.3（过渡版）	v1.2（生产级稳定版）
核心架构	以"链（Chain）"为核心	从"链式调用"转向智能体框架
Agent 构建	initialize_agent 等旧 API + AgentExecutor	官方标准入口 create_agent，底层基于 LangGraph
工具定义	@tool / Tool 类，类型安全较弱	支持 Pydantic Schema 定义工具，类型安全
结构化输出	JSON Parser + 正则，稳定性差	一等公民，直接绑定 Pydantic 类，由模型底层保证
输出解析	纯文本 + 手动解析	标准化 content_blocks（推理/文本/工具调用统一为对象）
扩展机制	缺乏系统性扩展方式	Middleware 中间件系统，可拦截各生命周期
异步性能	一般	优化后响应速度提升 30%+
包结构	较混乱、耦合高	主 langchain 包保持轻量，旧功能迁至 langchain-classic
Python 要求	>= 3.9	>= 3.10

IMPORTANT

学习与新建项目一律用 v1.x（本课程就是 1.2）。看到网上老教程里的 initialize_agent、LLMChain、AgentExecutor，要知道那是 v0.3 的写法，在 1.x 里已经移除或迁到 langchain-classic。

版本对比补全：多模态、包结构与推荐用途

上表之外，课程对比表里还有三个维度：

维度	v0.3	v1.2
多模态支持	支持不完善，无法无缝集成图像、音频等多模态数据	完善了多模态适配，可轻松实现多模态对话、多模态 RAG 等功能
包结构与依赖	包结构相对混乱、各模块耦合度较高；langchain 包为直接依赖；内部从 Pydantic v1 升级到 v2，对依赖版本要求更严格	包结构清晰，主 langchain 包保持轻量，旧功能（如 Chains）被迁移至 langchain-classic；@langchain/core 作为对等依赖，版本管理更灵活
推荐用途	只适用于维护依赖 v0.3 的老旧项目，不推荐用于新项目开发	所有新项目和学习 LangChain 的首选版本；官方承诺 1.x 版本系列不会引入破坏性变更，保证了长期稳定性

而 v1.0 发布这件事，课程还补了一条背景：发布同期完成 1.2 亿美元融资，估值超 12 亿美元，印证其作为 AI 基础设施的战略价值。

v1.2 的主要模块

包	作用
langchain-core	核心 API：Runnable、BaseMessage 等
langchain	主包（轻量）：create_agent、init_chat_model 等
langchain-classic	冗余/不推荐使用的经典 API（0.x 常用、1.x 移除的都在这）
langchain-community	第三方集成（合作伙伴包如 langchain-openai、langchain-anthropic，按需安装）
langgraph	深度整合 LangGraph 1.0，协调多个 Chain/Agent/Tools，支持循环调用

图：v1.2 的包结构——核心包最小化，langchain-core 只保留核心抽象接口，模型供应商与旧 API 各自拆成独立包

TIP

官方原话的意思：不要试图学完 LangChain 的所有 API，那是不可能的。搞懂核心逻辑与核心模块，其它用到再查——把它当工具箱，不是教科书。

文档地址：

• 中文文档：https://docs.langchain.org.cn/oss/python/langchain/overview
• 英文文档：https://docs.langchain.com/oss/python/langchain/overview
• API 查询（最常查）：https://reference.langchain.com/python/langchain/

图：API 文档查询页——LangChain、LangChain Core、LangChain Classic 等模块的接口都在这里查

官网与 GitHub 组织

文档之前，课程先给了生态的两个总入口：

• 官网：https://www.langchain.com/
• GitHub 组织：https://github.com/langchain-ai

LangChain 家族四大支柱

截至 2025-11，LangChain 已从一个框架成长为覆盖智能体全生命周期的技术生态，四大支柱分别对应四个层次：

支柱	层次	一句话
LangChain	基础能力层	智能体开发的基石（模型调用、工具与中间件集成、智能体构建）
LangGraph	运行时编排层	复杂工作流的编排引擎（把智能体抽象成有向图）
Deep Agent	智能体抽象层	智能体执行框架（Agent Harness），自带规划/文件系统/子智能体
LangSmith	监控与评估层	可视化监控与测试平台（追踪调用链路）

图：LangChain 生态的四层结构——智能体抽象层（Deep Agent）、运行时编排层（LangGraph）、基础能力层（LangChain）、监控与评估层（LangSmith）

官方文档入口

• 官方对四大支柱的解释：https://docs.langchain.com/oss/python/concepts/products
• 官方文档（三者对比，LangChain / LangGraph / Deep Agents 怎么选）：https://docs.langchain.com/oss/python/langchain/overview

LangChain：智能体开发的基石

LangChain 是整个生态的核心与起点，为开发者提供模型调用、工具与中间件集成、智能体构建等一整套基础能力。其核心价值有三条：

1. 统一的模型抽象层：屏蔽不同模型服务提供商（OpenAI、Anthropic、Ollama 等）的接口差异，提供一致的调用方式。
2. 高度模块化的设计：用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩展。
3. 丰富的集成生态：预置了丰富的数据源、API、中间件等，构成强大的 AI 能力枢纽。

NOTE

在整体架构中，LangChain 如同智能体的操作系统内核，是所有上层能力构建的基础。 课程给出的结论：如果你需要构建简单的智能体应用、无需复杂的编排需求，那就选择 LangChain。

LangGraph：把智能体变成一张图

把智能体内部抽象为一张有向图：

• 节点（Node）：代表独立的功能单元或决策点
• 边（Edge）：定义节点之间的流转条件与路径
• 状态（State）：共享上下文，在节点间传递并持久化

通俗理解：LangChain = 能力抽象层（有什么能力），LangGraph = 执行与编排层（怎么跑）。官方强调"快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同"。

图：两层分工——LangChain 提供标准能力（有什么能力），LangGraph 用状态机、工作流与多 Agent 系统负责"怎么跑"

图式结构带来了什么

课程对 LangGraph 的这个卖点有一句原话：通过这种图式结构，LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。

对比一下就明白了：链式调用是一条道走到黑，而图有节点、有边、有状态——节点之间的路径写在代码里看得见（显式），分支与循环都能表达（可控，LangGraph 还支持循环调用），每一步的共享状态也都留得下（可观测）。任务一旦从"一条指令"变成"多步骤、有状态"，这三样就是刚需。

Deep Agent：执行框架

构建于 LangChain 与 LangGraph 之上，增加了规划能力、文件系统、子 Agent 等高级功能。核心能力：

• 显式规划：自主生成、执行并动态调整多步任务计划
• 虚拟文件系统：为智能体提供结构化的中间结果与知识存储
• 子智能体：支持任务在多个智能体之间分解与协作
• 长期记忆：结合 LangGraph 状态存储，跨对话积累经验
• 可扩展中间件：嵌入安全审计、性能监控或自定义业务逻辑

图：官方文档给出的三者选择建议——想开箱即用地做智能体从 Deep Agents 起步，需要自己定制就用 LangChain，更复杂的确定性工作流编排上 LangGraph

Deep Agent 的定位补充

课程还专门交代了 Deep Agent 的定位与目标：

• 它是新推出的全新组件，官方定位为 Agent Harness（智能体执行框架）；
• 它的目标：让开发者无须从零构建复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体；
• 顺带一句关系说明：三个框架不是竞争关系，并非互斥，复杂项目完全可以同时用到这三层。

NOTE

三者不是竞争关系：从 LangChain 快速搭建，用 LangGraph 打磨生产稳定性，再用 Deep Agent 赋予更强的自主能力——这才是完整的生态玩法。

图：基于 LLM 的应用开发体系图——LangChain 打底（基础能力层），LangGraph 居中做高级编排，Deep Agent 在上层处理复杂任务

LangSmith：让智能体的运行过程可见

单靠 print 调试已经不够用了。LangSmith 是官方的可视化监控与测试平台，跟踪、记录、分析智能体运行时的完整调用链路：

能力	说明
全链路追踪	可视化每一步的提示词、模型输出、工具使用
调试与优化	发现异常行为与性能瓶颈
评测与质量控制	支持人工与自动化评测
团队协作	共享测试集与调用记录

图：LangSmith 的监控看板——LLM 调用次数与成功/失败曲线、延迟分位数（P50/P99）、成本与 Token 消耗

LangSmith 官网与质量闭环

• LangSmith 官网：https://www.langchain.com/langsmith
• 课程对它的收尾评价：LangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环。

开发前的前置知识

方向	需要掌握
Python 基础	变量、流程控制、函数与参数机制、类与对象、装饰器；常用容器、JSON、异常处理；模块导入、包管理、线程与协程
大模型基础	LLM、Token、Prompt、Embedding 的概念；用过豆包/千问/DeepSeek 等；了解 OpenAI/Anthropic/阿里云百炼/DeepSeek 等平台

TIP

这两块正是前面几章的内容——装饰器（函数进阶）、异常处理、JSON、面向对象（第 6 章）都会在 LangChain 里反复用到。

LangChain 生态支持 Python 与 JavaScript

课程特意点明：LangChain 生态支持包括 Python 和 JavaScript 两种语言实现，其中 Python 版本仍是功能最完整、更新最及时、社区最活跃的核心实现——本课程讲的也是 Python 版。

NOTE

Python 基础清单里的"模块导入、包管理"，课程推荐用 pip 或 conda——这正是下一篇《开发环境搭建（conda）》要动手做的事。

相关

• 大模型应用场景与技术选型
• 开发环境搭建（conda）

练习题

一、知识回顾（读完直接做下面的实践题）

1. 应用形态的三次跃迁：PC 互联网时代是传统应用，移动互联网时代是移动应用，AI 智能化时代是智能体；单一的大模型有四个局限：没有实时数据、会幻觉、不能操作外部系统、没有记忆
2. LangChain 是大模型与应用之间的中间层；三大核心价值是统一的模型抽象层、高度模块化的设计、丰富的集成生态；课程把它比作智能体的操作系统内核
3. 六类典型场景：RAG（检索增强生成）（治知识滞后与幻觉）、Agent 智能体（把模型当"推理引擎"，自主规划并调用工具）、对话系统与聊天机器人（治多轮对话的"记忆"流失）、多模态应用（融合图像识别与语音转文字）、自动化写作与格式化生成（配合提示词模板与输出解析器）、数据连接与结构化处理（从 PDF/Excel 提取信息、自然语言转 SQL）
4. 五层技术栈自下而上是：算力与Infra 基础设施层、海量数据与治理层、通用大模型层、行业/多模态应用大模型层、应用与（Agent）层，最上层对应的岗位是大模型与 Agent 应用开发工程师；应用与 Agent 层里还有一块"Agents 编排与控制"：LangChain 流程图、LangGraph 状态机、多 Agent 协作系统
5. 发展时间线五个阶段：诞生 → 探索期 → 体系化 → 平台化 → 深层智能体；诞生于 2022 年 10 月，创始人 Harrison Chase（哈里森·蔡斯） 当时的身份是哈佛大学的机器学习项目工程师，名字来自 Language + Chain；体系化阶段引入 Tool、Agent、Retrieval，形成"大模型 + 工具调用 + 记忆"的核心架构；平台化阶段 LangGraph 为工作流管理提供了有向图基础、LangServe 解决了服务化部署的难题
6. v0.3 用 initialize_agent + AgentExecutor 构建 Agent，v1.2 的标准入口是 create_agent（底层基于 LangGraph）；工具定义上 v0.3 类型安全较弱，v1.2 支持 Pydantic Schema 定义工具；结构化输出在 v1.2 成了一等公民；扩展机制上 v1.2 有了 Middleware（中间件） 系统；1.x 把旧 Chain 类 API 迁到了 langchain-classic 包，并要求 Python >= 3.10
7. 版本对比：v0.3 无法无缝集成图像、音频等多模态数据，v1.2 完善了多模态适配；v0.3 只适合维护依赖 v0.3 的老项目，v1.2 是所有新项目和学习 LangChain 的首选版本；异步性能优化后响应速度提升 30% 以上
8. 四大支柱：LangChain（基础能力层）、LangGraph（运行时编排层）、Deep Agent（智能体抽象层）、LangSmith（监控与评估层）；LangGraph 把智能体抽象成有向图，三要素是节点、边、状态
9. Deep Agent 的官方定位是智能体执行框架（Agent Harness），五大能力是显式规划、虚拟文件系统、子智能体、长期记忆、可扩展中间件；LangSmith 是官方的可视化监控与测试平台，让智能体的开发、调试与运维形成完整的质量闭环
10. 前置知识：Python 侧的类与对象与装饰器会在 LangChain 里反复用到；大模型侧要掌握 LLM、Token、Prompt、Embedding 的概念；LangChain 生态同时支持 Python 和 JavaScript 两种语言，其中 Python 版本功能最完整、更新最及时

二、概念自测

• 2-1 为什么需要 LangChain？ 不用背课文：只说大模型自己干不了的那几件事，再说明 LangChain 分别在哪一层补上了缺口。

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：先想"一个光秃秃的大模型"有哪些短板，再想每个短板要靠什么补 二级 · 角度：从"数据从哪来""怎么碰到外部世界""多轮对话怎么记住"三个角度各说一句 三级 · 骨架：四个短板 → 各自对应 LangChain 的哪块能力（外部数据源、工具集成、记忆管理、提示词与上下文）

• 2-2 LangChain 与 LangGraph 的分工 用"有什么能力 / 怎么跑"这组词讲清两者的分工，并说出图式结构相比链式调用多出来的三个关键词。

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：一个是"能力清单"，一个是"执行引擎" 二级 · 角度：从"节点、边、状态"三要素反推那三个关键词 三级 · 骨架：LangChain = ____抽象层；LangGraph = 与编排层；三个关键词 = 显式、可控、

• 2-3 版本辨认 网上抄到一段 2023 年的代码，里面的 Agent 构建入口和链式调用类都是 v0.3 那一套。你怎么判断它的版本？这套写法在 1.2 里还能直接用吗——不能的话，它们去哪了、现在该换成什么？

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：先认版本，再想 1.x 的"官方标准入口"是什么 二级 · 方法：initialize_agent、AgentExecutor、LLMChain 是 v0.3 的写法；1.x 里它们迁到了 langchain-classic，新入口是 create_agent三级 · 骨架：判断依据 = 出现 initialize_agent / AgentExecutor → v0.3；替代 = create_agent（底层基于 LangGraph）

• 2-4 判断对错 判断下面三句话对不对，并各给一句理由： ① Deep Agent 出来之后 LangChain 就被替代了，新项目直接上 Deep Agent 就行； ② 学 LangChain 的正确姿势是先把所有 API 学完； ③ 接手一个 2023 年的老项目，第一件事是把它整体迁到 1.2。

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：三句都在考"官方建议"，回到正文的结论句上 二级 · 角度：① 四大支柱之间是什么关系？② 官方把 LangChain 当工具箱还是教科书？③ 对比表里 v0.3 那一栏的"推荐用途"是怎么写的？ 三级 · 骨架：① 不是竞争关系，几层可以同时用；② 只学核心逻辑与核心模块；③ 老项目的维护场景仍然可以留在 v0.3

- 参考答案（做完再点开）

2-1 大模型自己做不到四件事：没有实时数据（训练数据是冻结的）、会幻觉（没学过的就编）、不能操作外部系统（查库、调 API、读文件都不行）、没有记忆（每次对话都是独立的）。LangChain 的活就是把这些短板接上：统一接口对接数据库/检索引擎/API/文件系统（外部数据）、封装工具调用与记忆等底层逻辑（工具与记忆）、管理提示词与上下文，再用 LangGraph 把单智能体扩展到多智能体协作。 2-2 LangChain 是能力抽象层（有什么能力：把模型、消息、工具、中间件标准化）；LangGraph 是执行与编排层（怎么跑：把智能体抽象成有向图，用节点、边、状态表达分支与循环）。图式结构比链式调用多出来的三个关键词：显式（路径写在代码里看得见）、可控（分支与循环都能表达）、可观测（每一步的共享状态都留得下）。官方建议"快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同"。 2-3 出现 initialize_agent、AgentExecutor（以及 LLMChain）这类写法，就是 v0.3（过渡版）的代码。这些 API 在 1.x 里已被移除，迁到了 langchain-classic 包，不能照抄到新项目里。1.x 的标准入口是 create_agent，底层基于 LangGraph。 2-4 ① 错。四大支柱是不同层次、并非互斥：LangChain 是基础能力层（相当于操作系统内核），LangGraph 负责复杂编排，Deep Agent 是上层的智能体执行框架（Agent Harness）。简单智能体用 LangChain 就够，需要复杂编排才上 LangGraph / Deep Agent。② 错。官方原话是"不要试图学完 LangChain 的所有 API"——搞懂核心逻辑与核心模块，其它用到再查，把它当工具箱而不是教科书。③ 错（更准确说是没必要）。v0.3 的推荐用途就是"维护依赖 v0.3 的老旧项目"，1.2 才是新项目的首选；老项目没有明确需求就不必为升级而升级，按 v0.3 的写法继续维护即可。