langchain-core：官方推荐的核心API。比如Runnable、BaseMessage等。
langchain-classic：冗余代码移除或不推荐使用的经典API。比如0.x中常用而1.x移除的API都在这里。
langchain-community：第三方集成，比如：合作伙伴包langchain-openai、langchain-anthropic等，按需安装，避免臃肿。
langgraph：深度这个LangGraph 1.0，协调多个Chain、Agent、Tools完成更复杂的任务，并且还支持循环调用，是langchain图形化的增强版。

相关API，如果英文不好，可在浏览器安装翻译插件

官网： https://www.langchain.com/

Github地址： https://github.com/langchain-ai

中文文档地址： https://docs.langchain.org.cn/oss/python/langchain/overview

英文文档地址： https://docs.langchain.com/oss/python/langchain/overview

API文档查询地址： https://reference.langchain.com/python/langchain

三、LangChain家族四大支柱

截止到2025年11月，LangChain已从一个独立的开发框架，成长为一个覆盖智能体系统全生命周期的技术生态。该生态由四大核心支柱构成：LangChain、LangGraph、Deep Agent、LangSmith。

它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层，共同构建了一个从技术验证到生产部署、从单体之鞥呢到复杂协作的项目闭环。

官方文档解释：https://docs.langchain.com/oss/python/concepts/products

3.1 LangChain：智能体开发的基石

LangChain是整个生态的核心与起点，为开发者提供了模型调用、工具、中间件集成、智能体构建等一整套基础能力。

其核心价值如下：

统一的模型抽象层：屏蔽了不同模型服务提供商（如Open AI、Anthropic、Ollama等）的接口差异，提供一直的调用方式。
高度模块化的设计：使用Message、Tool、Agent、Middleware等组件实现灵活的组合与扩展。
丰富的集成生态：预置了丰富的数据源、API、中间件等，构成了强大的AI能力枢纽。

结论：如果构建简单的智能体应用，无需复杂的编排需求，选择LangChain。

3.2 LangGraph：复杂工作流的编排引擎

当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时，LangGraph应运而生。

其核心思想是将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）：定义了节点之间的流转条件与路径。
状态（State）：作为一个共享上下文，在节点间传递并持久化存储任务信息。

通过这种图式结构，LangGraph让智能体的工作流节点交互变更显式、可控、可观测。

官方也强调：快速起步用LangChain，复杂控制用LangGraph，二者并行协同。

通俗理解：

LangChain = 能力抽象层（LLM/Tool/Message标准化），负责有什么能力。

LangGraph = 执行与编排层（状态机/工作流/多Agent系统），负责怎么执行。

3.3 Deep Agent：智能体的执行框架

Deep Agent是新推出的全新组件，被定为为Agent Harness(智能体执行框架)。它构建于LangChain与LangGraph之上，增加了规划能力、文件系统、子Agent等高级功能。旨在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。

Deep Agent的核心能力如下：

显示规划：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储备。
子智能体：支持任务在多个智能体之间的分解与协作
长期记忆：通过与LangGraph状态存储的结合，实现跨对话的经验积累。
可扩展中间件：允许嵌入安全审计、性能监控或自定义业务逻辑。

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。

基于大模型的应用开发体系图：

从LangChain快速搭建，用LangGraph打磨生产稳定性，再用Deep Agents赋予Agent更强的自主能力—这才是完成的LangChain的生态圈。

3.4 LangSmith：可视化监控与测试平台

当智能体系统逐渐复杂时，单靠日志与打印输出调试已无法满足调试与质量管理的需求。

LangSmith是LangChain官方推出的可视化监控与测试平台，用于跟踪、记录和分析智能体在运行过程中的完整调用链路，让智能体的内部运行过程变得透明和可评估。

LangSmith的核心目标如下：

全链路追踪：可视化追踪模型调用、提示词输入、结果输出、工具使用等行为。
调试与优化：发现运行中智能体的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，量化智能体表现。
团队协作：支持多个共享测试集与调用记录。

LangSmith官网：LangSmith: Agent & LLM Observability Platform

LangSmith的引入使得智能体的开发、调试与运行形成了完整的质量闭环。

四、开发前的准备工作

4.1 前置知识

Python基础语法、了解大模型常用概念如Token、Prompt、Embedding、上下文协议等。

4.2 环境安装

4.2.1 代码管理方案

相较于全局环境（系统环境），各个虚拟环境都有自己独立的一套：Python解释器、pip命令、第三方依赖包、不和其他项目产生干扰。

常用的虚拟环境三套方案：

1、使用conda：适合Python + 非Python依赖的复杂环境——本次选择

2、使用uv：适合纯Python项目的现代包管理。

3、使用venv：Python自带的轻量级虚拟环境工具。

4.2.2 安装虚拟环境与Python解释器

LangChain基于Python开发，因此需确保系统中安装了Python解释器，在创建虚拟环境过程中安装Python解释器。

LangChain 1.2版本需要Python版本为3.10+，本次使用Python 3.13.12版本。

1、安装miniconda，请自行百度，注意配置envs和pkgs路径，否则默认安装到C盘。

2、创建conda环境

#创建一个名为langchain1.2的环境，指定Python版本是3.13.12

conda create --name 自输入的环境名 python=3.13.12

#查看anconda安装好的python环境

conda env list

#初始化虚拟环境 (执行完此指令，重新启动命令行窗口)

conda init

#在命令行窗口切换到某python环境

conda activate langchain1.2

#验证python版本 (langchain1.2) C:\Users\shkstart>python --version

4.2.3 下载langchian安装包

1、使用conda指令

# 安装指定版本。比如1.2.2

conda install langchain==1.2.12

# 或者安装最新版（默认仓库）--本次不建议

conda install langchain

# 指定频道（如 conda-forge），如果上个命令安装失败

conda install -c conda-forge langchain==1.2.12

# 更新包

conda update langchain

# 卸载包

conda uninstall langchain

# 查看已安装包

conda list