LangChain 概述与 Linux 环境安装指南

一、为什么需要 LangChain？

随着大语言模型（LLM）能力的爆发，单纯"一问一答"式调用大模型已经不足以构建真正实用的 AI 应用。单一的大语言模型存在明显的局限性：

知识冻结：训练成本高、周期长，模型无法实时学习最新信息；
幻觉问题：遇到没学过的信息会"放飞自我"，开始臆想、编造答案；
能力边界：无法直接操作外部工具、访问数据库、调用 API。

因此，要构建真正实用的 AI 应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合——这正是 LangChain 框架的设计理念。

LangChain 的核心定位

LangChain 作为大模型与应用之间的中间层，核心定位有三点：

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；
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；
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。

主要应用场景

场景	解决痛点	核心能力
RAG（检索增强生成）	知识滞后、幻觉	检索外部知识库并向量化，基于最新资料回答
Agent 智能体	LLM 无法执行复杂任务	模型作为"推理引擎"，自主规划并调用外部工具
对话/聊天机器人	多轮对话"记忆"流失	记忆管理系统，结合私有数据提供专业服务
多模态应用	单一文本交互限制	融合图像、语音识别等能力
自动化写作	格式不标准、质量不稳	提示词模板 + 输出解析器
数据连接与结构化	非结构化数据难利用	提取 PDF/Excel 信息、NL2SQL

家庭四大支柱

支柱	定位	说明
LangChain	基础能力层	模型调用、工具集成、智能体构建
LangGraph	运行时编排层	复杂有状态工作流的图式编排
Deep Agent	智能体抽象层	规划、文件系统、子智能体、长期记忆
LangSmith	监控与评估层	全链路追踪、调试、评测

三者关系通俗理解：LangChain = 能力抽象层（有什么能力），LangGraph = 执行编排层（怎么跑）。快速起步用 LangChain，复杂控制用 LangGraph。

二、Linux 环境安装流程

2.1 前置要求

Python 基础：变量、函数、类与对象、装饰器、常用容器、JSON、异常处理、包管理；
版本要求：LangChain 1.2 要求 Python >= 3.10（本教程以 Python 3.13 为例）。

2.2 选择虚拟环境管理工具

工具	管理 Python 解释器	管理 Python 包	管理非 Python 依赖	适合场景
conda	✅	✅	✅	AI、深度学习、科学计算
uv	✅	✅	❌	纯 Python 项目、Web、Agent
venv	❌	✅	❌	简单项目、教学演示

LangChain 属于纯 Python 项目，conda、uv、venv 均可。我选择 conda。

2.3 创建虚拟环境并安装 Python

# 创建名为 langchain1.2 的环境，指定 Python 3.13
conda create --name langchain1.2 python=3.13

# 查看已安装的环境
conda env list

# 初始化 conda（执行完重新打开命令行窗口）
conda init

# 激活环境
conda activate langchain1.2

# 验证 Python 版本
python --version

2.4 安装 LangChain

方式一：conda 安装（推荐）

# 安装指定版本
conda install langchain==1.2.12

# 或安装最新版
conda install langchain

# 指定 conda-forge 频道
conda install -c conda-forge langchain==1.2.12

# 更新 / 卸载 / 查看
conda update langchain
conda uninstall langchain
conda list

方式二：pip 安装

# 安装指定版本
pip install langchain==1.2.12

# 使用国内镜像加速（解决下载慢）
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 升级 / 卸载 / 查看
pip install --upgrade langchain
pip uninstall langchain
pip list

2.5 验证安装

import langchain

print(langchain.__version__)

三、开发前的知识储备：大模型应用场景

大模型应用"门槛低、天花板高"，开发前先了解核心技术方向：

RAG（检索增强生成）：解决知识冻结与幻觉问题，通过检索 + 向量化让模型基于最新资料回答；
Agent（智能体）：Agent = LLM + Planning + Tools + Memory + Action，让模型独立思考、逐步完成任务；
四大开发场景：纯 Prompt → Agent + Function Calling → RAG → Fine-tuning（成本依次递增，前几种解决不了再考虑微调）。