langchain技术栈研究

引言langchain新版本1.1.0 出来了老版的api看了一些api写法看起来有些凌乱感觉还是SpringAI相对好好记忆一些。不知到1.x版本的会好使一些不。我们先来看看新版的langchain、langgraph、deepagents。python vscode安装了一个backformater插件这玩意没卵用格式化不了。python这个玩意使用缩进表达代码块实际上没法判断你的代码在块选中代码格式化完全没反应。即使因为缩进出现了错误IDE都发现了这家伙还是不会格式化。python用缩进体现代码块出这个幺蛾子不好解决了要是它有动作也有可能把逻辑搞乱。pyhon用缩进做代码块鼓吹的就是简洁优雅实际上优雅个毛线真的是很智障经常手动补空格。语言充满陷阱这玩意就只适合用来打草稿感觉不太好每次提到python都要吐槽LangChain基础开发框架LangChain 是一个用于开发由大语言模型LLM驱动的应用程序的开源框架。它的核心目标是提供一个统一的抽象层让开发者可以方便地组合各种组件而无需关心底层与不同模型API对接的细节。核心定位Agent 与 LLM 应用的开发框架DSL。它解决了“从零到一”的构建问题。主要能力标准化模型接口统一封装不同厂商如 OpenAI、Anthropic的模型支持流式输出、工具调用等避免供应商锁定。结构化提示词提供PromptTemplate等工具将提示词工程化、可维护。工具抽象将函数封装成 LLM 可以理解和调用的“工具”Tool赋予智能体行动能力。预构建的智能体循环内置了 ReAct 等经典智能体模式可以快速搭建一个能与工具交互的智能体。总而言之LangChain 提供了构建智能体所需的基础组件但它本身并不解决智能体在长时间运行中的可靠性、状态持久化等问题。LangGraph状态化执行引擎LangGraph 是一个低级别的编排框架可以看作是 LangChain 的扩展专门用于构建和管理长期运行、有状态的智能体。它将智能体的执行过程建模为一个图Graph从而实现对复杂工作流的精确控制。核心定位面向智能体的状态化执行引擎Stateful Runtime。它解决了智能体“如何跑得稳”的问题。主要能力基于图的执行模型将智能体的工作流建模为有向图节点Node代表功能模块如 LLM 调用、工具执行边Edge代表控制流。这使得支持循环、条件分支等复杂逻辑变得非常简单。显式状态管理维护一个中央状态对象State图中的每个节点都可以读写这个状态。这让智能体的行为变得可观测、可解释。持久化执行Durable Execution能够自动保存执行过程中的检查点Checkpoint。即使任务因故障中断也能从断点处恢复保证了长时间运行任务的工程级可靠性。人在循环Human-in-the-loop支持在执行过程中暂停等待人工审核或干预修改状态后再继续执行这对于需要人类监督的关键任务至关重要。LangGraph 将 LangChain 的组件作为“砖瓦”并提供了让它们稳定、可靠、有序运行的“地基”和“脚手架”。DeepAgents高级智能体应用框架DeepAgents 是一个构建在 LangChain 和 LangGraph 之上的高级智能体开发库旨在快速构建具备自主规划、长期记忆等高级能力的复杂智能体。它不是一个从零开始的框架而是一个“开箱即用”的智能体脚手架Harness。核心定位面向长期自治任务的智能体能力整合层Harness。它解决了如何让智能体从“稳定运行”到“高度自主”的问题。主要能力任务规划与拆解内置write_todos等规划工具智能体可以自动将复杂目标拆解为一系列离散的步骤并跟踪进度。上下文管理文件系统提供ls,read_file,write_file等类操作系统工具允许智能体将大量上下文信息外置到文件系统中有效避免了上下文窗口溢出的问题。子智能体生成Subagent Spawning主智能体可以动态创建并委派任务给专门的子智能体实现上下文隔离和任务的并行或专注处理。长期记忆依托 LangGraph 的存储能力实现跨会话的持久化记忆使智能体能够记住历史交互信息适用于个人助理、客服等场景。组件类比核心职责解决的问题LangChain标准零件库提供电机、传感器、机械臂等通用组件。解决“从零到一”的构建问题。LangGraph工厂控制系统负责零件的组装流程、状态监控、故障恢复和人工干预。解决“从一到稳定”的运行问题。DeepAgents高级自动化生产线在控制系统之上实现自主排产、物料管理、任务分发等高级功能。解决“从稳定到自主”的智能问题。1 三者关系这三者并非相互独立的三个选项而是一个层层递进、相互依赖的技术栈。你可以把它们看作是一个从底层到顶层的完整生态系统。为了让你一目了然我们可以用“建造和运营一座自动化工厂”来类比它们的关系 LangChain基础开发框架标准零件库角色“提供砖瓦”关系它是整个体系的基础。LangGraph 和 DeepAgents 都构建在 LangChain 提供的抽象之上。类比它就像一个巨大的标准零件库里面装满了电机、传感器、机械臂即模型接口、提示词模板、工具抽象。它解决了“从零到一”的构建问题让你不用自己去造轮子比如不用自己去写连接 OpenAI 的底层代码。⚙️ LangGraph状态化执行引擎工厂控制系统角色“提供地基与骨架”关系它是 LangChain 的扩展与核心运行时。实际上最新版的 LangChain1.0底层就是基于 LangGraph 构建的。类比它就像工厂的控制系统和地基。它负责把 LangChain 提供的零件组装起来并确保流水线能稳定运行。它解决了“从一到稳”的问题比如处理循环逻辑、故障恢复持久化执行和人工干预。 DeepAgents高级智能体应用框架精装生产线角色“提供精装房”关系它构建在LangChain 之上并利用LangGraph 的运行能力。它是这个技术栈的顶层应用。类比它就像一条开箱即用的精装生产线。它不仅仅是给你零件而是直接给了你一个具备“自主规划”、“文件读写”、“长期记忆”等高级能力的智能体脚手架。它解决了“从稳到智”的问题让你快速拥有一个像“数字员工”一样的智能体。2 选择简单流程LangChain你可以把一个简单的线性流程A → B → C看作是 LangGraph 图结构中最基础的一种形态。如何实现在 LangGraph 中你只需要定义几个节点Node然后用普通的边Edge把它们按顺序连接起来即可。是否必要对于一个纯粹的、没有任何分支和循环的简单任务直接使用 LangChain 的 LCEL 表达式会更简洁、更高效。用 LangGraph 来做虽然完全可以但有点像“杀鸡用牛刀”会引入一些不必要的图结构定义代码。复杂流程LangGraphLangGraph 的真正价值在于它原生支持复杂流程这是传统线性框架的短板。循环 (Loops)可以轻松实现“生成 → 审核 → 不满意则返回重新生成”的循环逻辑。分支 (Branching)可以根据上一步的结果动态决定下一步走向哪个节点。例如根据用户意图将流程路由到“客服节点”或“技术支持节点”。状态管理 (State)在整个复杂流程中有一个全局共享的状态对象所有节点都可以读写确保数据在不同步骤间无缝传递。持久化 (Persistence)支持“时间旅行”功能可以将流程的每一步状态保存下来。即使程序中断也能从断点恢复这对于长时间运行的复杂任务至关重要。进阶DeepAgents这是你的加速器。当你发现 LangChain 写起来太累或者你需要一个能“自己干活”的智能体时选它。适用场景需要智能体自主规划任务比如“帮我调研一下竞品写个报告”。任务非常长需要跨会话记忆比如个人助理需要记住你上周的偏好。需要处理大量文件利用其内置的文件系统工具。理由开箱即用它帮你把规划、记忆、文件读写这些复杂功能都写好了你直接配置一下就能用不用自己造轮子。 官方建议翻译LangChain 对比 LangGraph 对比 Deep Agents如果你打算构建一个智能体我们建议你从Deep Agents开始。它采用了“开箱即用”的模式内置了各种现代特性例如长对话的自动压缩、虚拟文件系统以及用于管理和隔离上下文的子智能体生成能力。Deep Agents 本质上是 LangChain 智能体的具体实现。如果你不需要上述这些高级能力或者希望为自己的智能体和自主应用进行深度定制那么请从LangChain开始。当你有更高级的需求需要结合“确定性工作流”与“智能体工作流”并且需要进行大量定制化开发时请使用LangGraph—— 这是我们底层的智能体编排框架和运行时引擎。说了这么多基本上有一定的认识具体也要用了之后应该就能体会更深刻下面主要针对1.1.0最新稳定的版本3 langchain官网地址本地python版本使用的是3.13.5 官方推荐是3.103.1 安装langchain使用命令poetry add langchain 安装Using version ^1.2.14 for langchain Updating dependencies Resolving dependencies... (7.9s) Package operations: 32 installs, 0 updates, 0 removals - Installing certifi (2026.2.25) - Installing charset-normalizer (3.4.6) - Installing h11 (0.16.0) - Installing idna (3.11) - Installing typing-extensions (4.15.0) - Installing urllib3 (2.6.3) - Installing annotated-types (0.7.0) - Installing anyio (4.13.0) - Installing requests (2.33.1) - Installing pydantic-core (2.41.5) - Installing typing-inspection (0.4.2) - Installing httpcore (1.0.9) - Installing orjson (3.11.8) - Installing packaging (26.0) - Installing requests-toolbelt (1.0.0) - Installing pydantic (2.12.5) - Installing jsonpointer (3.1.1) - Installing uuid-utils (0.14.1) - Installing httpx (0.28.1) - Installing xxhash (3.6.0) - Installing zstandard (0.25.0) - Installing jsonpatch (1.33) - Installing langsmith (0.7.23) - Installing tenacity (9.1.4) - Installing pyyaml (6.0.3) - Installing langchain-core (1.2.23) - Installing ormsgpack (1.12.2) - Installing langgraph-checkpoint (4.0.1) - Installing langgraph-prebuilt (1.0.8) - Installing langgraph-sdk (0.3.12) - Installing langgraph (1.1.4) - Installing langchain (1.2.14)看上面的版本已经到了1.2.14发展很快AI应用API是在快速发展中这玩意要是重度使用每次迁移成本都很高。python语言和其生态兼容性都比较差大家都是图块没人会管你有些人搞烂了就开始想找工程师做工程化收拾烂摊子实际上只有自己搞的人才是最适合收拾烂摊子的图快总得付出点代价。pyhon本身工程化能力就很弱现在各种标准和最佳实践还在演进。安装langchain的同时也安装了langgraph版本是1.1.4,没有看见deepagents3.2 安装langchain-ollama这里我使用ollama安装本地模型所以安装这个模型依赖其他的可以根据具体需求安装poetry add langchain-ollama# Installing the OpenAI integration pip install -U langchain-openai # Installing the Anthropic integration pip install -U langchain-anthropic3.3 简单聊天测试3.3.1 模型直接调用from langchain_ollama import ChatOllama def test_chat_model(): # 初始化模型默认连接 http://localhost:11434 llm ChatOllama( modelqwen3:8b, # 替换为你通过 ollama pull 下载的模型名 temperature0.7, base_urlhttp://localhost:11434, ) response llm.invoke(你好请介绍一下自己) print(response) test_chat_model() print(finish)输出是一个AIMessage 对象这玩意一点都不好跟踪代码点击进去看源码感觉就是一团糟。不先写个response.content,你直接在response对象上还跳不到AIMessageIDE提示不了。要么通过invoke跳过再通过类型提示跳到源码。我也是醉了。content你好我是通义千问由通义实验室研发的超大规模语言模型。我具备广泛的知识和强大的语言理解能力可以回答各种问题、创作文字、编程、逻辑推理等。我的目标是成为您可靠的助手帮助您解决各种问题和完成任务。有什么我可以帮您的吗 additional_kwargs{} response_metadata{model: qwen3:8b, created_at: 2026-04-01T03:41:06.349658Z, done: True, done_reason: stop, total_duration: 88827315600, load_duration: 76283938800, prompt_eval_count: 14, prompt_eval_duration: 417483900, eval_count: 377, eval_duration: 12089060800, logprobs: None, model_name: qwen3:8b, model_provider: ollama} idlc_run--019d4720-0aba-7cc3-9c23-9f3ef121dcea-0 tool_calls[] invalid_tool_calls[] usage_metadata{input_tokens: 14, output_tokens: 377, total_tokens: 391}实际上需要用的是content我也看过别人写热文章也是慢慢分析返回的字段内容来找想要的而结果。我这里用的是本地模型如果要用网上的需要到对应官网开通权限拿到访问的API_KEY设置环境变量才可以访问。如果是像java这种强静态类型语言直接看response结构基本上能知道会拿到什么结果那些字段是自己想要的。3.2.2 模型参数原始模型参数这玩意参数多pip install -U langchain # Requires Python 3.10 class ChatOllama( name: str | None, cache: BaseCache | bool | None, verbose: bool, callbacks: Callbacks, tags: list[str] | None, metadata: dict[str, Any] | None, custom_get_token_ids: ((str) - list[int]) | None, rate_limiter: BaseRateLimiter | None, disable_streaming: bool | Literal[tool_calling], output_version: str | None, profile: ModelProfile | None, model: str, reasoning: bool | str | None, validate_model_on_init: bool, mirostat: int | None, mirostat_eta: float | None, mirostat_tau: float | None, num_ctx: int | None, num_gpu: int | None, num_thread: int | None, num_predict: int | None, repeat_last_n: int | None, repeat_penalty: float | None, temperature: float | None, seed: int | None, stop: list[str] | None, tfs_z: float | None, top_k: int | None, top_p: float | None, format: JsonSchemaValue | Literal[, json] | None, keep_alive: int | str | None, base_url: str | None, client_kwargs: dict | None, async_client_kwargs: dict | None, sync_client_kwargs: dict | None )网上查了一些解释# Requires Python 3.10 class ChatOllama( # 核心基础参数 model: str, # [必填] 模型名称例如 qwen2.5:7b 或 llama3。必须与 Ollama 本地运行的模型名称匹配。 # 核心推理参数 (最常用) temperature: float | None, # [推荐] 采样温度 (0.0 - 1.0)。值越低越确定适合逻辑/代码值越高越随机适合创意写作。 top_p: float | None, # [推荐] 核采样阈值。与 temperature 配合使用通常建议二选一不要同时调整。 top_k: int | None, # [推荐] 限制采样时考虑的 top-k 个 token 数量。 num_predict: int | None, # [推荐] 模型生成的最大 token 数量即回答的长度。 stop: list[str] | None, # [推荐] 停止生成的词元列表。遇到列表中的任何一个词元生成即停止。 # 上下文与窗口 num_ctx: int | None, # [重要] 上下文窗口大小最大 token 数。默认通常为 2048。如果对话变长或输入文本很大需要调大此值。 # 高级推理控制 repeat_penalty: float | None, # 重复惩罚系数。值越大模型越不容易重复生成相同的短语。 repeat_last_n: int | None, # 考虑重复惩罚的最近 n 个 token 数量。 seed: int | None, # 随机种子。设置固定的种子可以保证生成的确定性如果其他参数也固定。 tfs_z: float | None, # 尾部自由采样 (Tail-Free Sampling)。用于减少低概率 token 的长尾影响。 mirostat: int | None, # 启用 Mirostat 采样算法 (1 或 2)。这是一种控制生成文本惊喜度的算法。 mirostat_tau: float | None, # Mirostat 算法的目标熵值控制输出的随机性。 mirostat_eta: float | None, # Mirostat 算法的学习率。 # 硬件与性能 num_thread: int | None, # 运行时使用的 CPU 线程数。 num_gpu: int | None, # 指定使用的 GPU 层数用于控制显存占用。 # 连接与客户端配置 base_url: str | None, # Ollama API 的基础 URL。默认为 http://localhost:11434。 keep_alive: int | str | None, # 模型在 Ollama 中保持加载状态的时间例如 5m 或 300 秒。 client_kwargs: dict | None, # 传递给同步 HTTP 客户端的额外参数。 async_client_kwargs: dict | None, # 传递给异步 HTTP 客户端的额外参数。 sync_client_kwargs: dict | None, # 传递给同步客户端的特定参数。 # 输出格式控制 format: JsonSchemaValue | Literal[, json] | None, # 强制输出格式。设置为 json 可强制模型返回 JSON 格式或传入 JSON Schema 进行结构化输出。 # LangChain 集成与内部参数 (通常无需手动修改) name: str | None, # 此 LLM 实例在 LangChain 链中的名称。 cache: BaseCache | bool | None, # 是否启用响应缓存。 verbose: bool, # 是否打印详细的调试信息。 callbacks: Callbacks, # LangChain 的回调函数列表。 tags: list[str] | None, # 用于标记此 LLM 实例的标签。 metadata: dict[str, Any] | None, # 附加的元数据。 custom_get_token_ids: ((str) - list[int]) | None, # 自定义的 Tokenizer 函数。 rate_limiter: BaseRateLimiter | None, # 速率限制器防止请求过快。 disable_streaming: bool | Literal[tool_calling], # 是否禁用流式输出。 output_version: str | None, # 输出消息的版本格式。 profile: ModelProfile | None, # 模型配置文件用于自动调整参数。 reasoning: bool | str | None, # 是否启用推理模式针对特定模型。 validate_model_on_init: bool # 初始化时是否验证模型是否存在。 )搞了一个表格参数名称类型说明核心基础modelstr[必填] 模型名称如qwen2.5:7b。需与本地 Ollama 运行的模型一致。推理控制temperaturefloat[常用] 采样温度 (0.0 - 1.0)。越低越确定逻辑/代码越高越随机创意。top_pfloat[常用] 核采样阈值。通常与 temperature 二选一调整。top_kint[常用] 限制采样时考虑的 top-k 个 token 数量。num_predictint[常用] 模型生成的最大 token 数量回答长度。stoplist[str][常用] 停止词元列表。遇到任意一个即停止生成。repeat_penaltyfloat重复惩罚系数。值越大越不容易重复生成相同的短语。repeat_last_nint考虑重复惩罚的最近 n 个 token 数量。seedint随机种子。固定种子可保证生成的确定性。tfs_zfloat尾部自由采样。用于减少低概率 token 的长尾影响。mirostatint启用 Mirostat 采样算法 (1 或 2)用于控制生成文本的惊喜度。mirostat_taufloatMirostat 算法的目标熵值控制输出的随机性。mirostat_etafloatMirostat 算法的学习率。上下文与硬件num_ctxint[重要] 上下文窗口大小最大 token 数。默认通常 2048长文本需调大。num_threadint运行时使用的 CPU 线程数。num_gpuint指定使用的 GPU 层数用于控制显存占用。连接与配置base_urlstrOllama API 地址。默认http://localhost:11434。keep_aliveint/str模型在 Ollama 中保持加载状态的时间如5m或300。client_kwargsdict传递给同步 HTTP 客户端的额外参数。async_client_kwargsdict传递给异步 HTTP 客户端的额外参数。sync_client_kwargsdict传递给同步客户端的特定参数。输出格式formatstr/dict强制输出格式。设为json强制返回 JSON或传入 JSON Schema。LangChain 集成namestr此 LLM 实例在 LangChain 链中的名称。cachebool是否启用响应缓存。verbosebool是否打印详细的调试信息。callbacksCallbacksLangChain 的回调函数列表。tagslist[str]用于标记此 LLM 实例的标签。metadatadict附加的元数据。custom_get_token_idsfunc自定义的 Tokenizer 函数。rate_limiterBaseRateLimiter速率限制器防止请求过快。disable_streamingbool是否禁用流式输出。output_versionstr输出消息的版本格式。profileModelProfile模型配置文件用于自动调整参数。reasoningbool/str是否启用推理模式针对特定模型。validate_model_on_initbool初始化时是否验证模型是否存在。基本的都加粗了。3.4 工具调用这里演示一个直接注册工具的一个官方例子3.4.1 调用工具代码from langchain.agents import create_agent from langchain_ollama import ChatOllama def get_weather(city: str) - str: Get weather for a given city. return fIts always sunny in {city}! def test_tool_call_by_agents(): modelStr qwen3:8b; chatModel ChatOllama( modelmodelStr, temperature0.7, base_urlhttp://localhost:11434, ) agent create_agent( # modelmodelStr, modelchatModel, tools[get_weather], system_promptYou are a helpful assistant, ) # Run the agent result agent.invoke( {messages: [{role: user, content: what is the weather in sf}]} ) print(result) test_tool_call_by_agents()3.4.2 返回值result是个字典草这玩意真是就像看见一个java程序员所有入参和返回值都用Ojbect一样。{ messages: [ { role: user, type: HumanMessage, content: what is the weather in sf, id: a1261883-6677-4082-84d9-cbd9a2f24209 }, { role: assistant, type: AIMessage, content: , id: lc_run--019d47cc-9c2b-7433-ab56-ecb9909de0a5-0, tool_calls: [ { id: 36886be6-6441-49d5-b364-cab6137452b0, name: get_weather, args: { city: San Francisco }, type: tool_call } ], usage_metadata: { input_tokens: 148, output_tokens: 105, total_tokens: 253 }, response_metadata: { model: qwen3:8b, created_at: 2026-04-01T06:48:11.9092517Z, model_provider: ollama } }, { role: tool, type: ToolMessage, name: get_weather, content: Its always sunny in San Francisco!, id: 0c827960-37e2-4c37-b37a-4d76ed4f3321, tool_call_id: 36886be6-6441-49d5-b364-cab6137452b0 }, { role: assistant, type: AIMessage, content: The weather in San Francisco is sunny! ☀️ Its one of the best things about the city—always a bright day ahead. Let me know if you need more details!, id: lc_run--019d47cc-b789-78b1-9a0a-dad8552c7eef-0, tool_calls: [], usage_metadata: { input_tokens: 188, output_tokens: 136, total_tokens: 324 }, response_metadata: { model: qwen3:8b, created_at: 2026-04-01T06:48:16.6699577Z, model_provider: ollama } } ], finish: finish }这一条是调用工具返回的信息{ role: tool, type: ToolMessage, name: get_weather, content: Its always sunny in San Francisco!, id: 0c827960-37e2-4c37-b37a-4d76ed4f3321, tool_call_id: 36886be6-6441-49d5-b364-cab6137452b0 }下面这一条是模型拿到工具返回信息后优化的内容{ role: assistant, type: AIMessage, content: The weather in San Francisco is sunny! ☀️ Its one of the best things about the city—always a bright day ahead. Let me know if you need more details!, id: lc_run--019d47cc-b789-78b1-9a0a-dad8552c7eef-0, tool_calls: [], usage_metadata: { input_tokens: 188, output_tokens: 136, total_tokens: 324 }, response_metadata: { model: qwen3:8b, created_at: 2026-04-01T06:48:16.6699577Z, model_provider: ollama } }这家伙这又返回一个字典内部带数组取内容都不好取这玩意写多了这屁股有点难擦写代码通常都不是一个人写烂代码会传染有很多人都会复制以前的代码或者写得更乱没有强限制很难搞。难怪有些公司想找个搞工程化的他又不知道问题出在哪里出问题的人一般是不知道问题就出在自己身上所以总是找不到适合的人处理这个问题一上来就问题有没有深入研究、算法有没有看过源码有点搞笑哈。函数最重要的两个信息就是入参和返回值,很多时候不需要去看源码的看源码一般只是抽样的看python类型提示稍微在这方面起到了一些作用。3.5 一个更真实的Agent下面是一个官方说的更接近真实世界的例子看看是不是更好使用4 langgraph5 deepagents