在生成式 AI 火热的当下，如何快速开发一个基于大语言模型（LLM）的应用，成为了很多开发者的刚需。很多人都希望能搭上这一波浪潮，我自己最近也正在学习这一块的内容，同时选择了LangChain 作为学习框架。
至于为啥选择 langchain 呢？核心原因就一个：很多教程都是讲的 Langchain。
开个玩笑，我们知道目前市面上的大模型林林总总，国外的有 gemini、grok、Claude、openapi 等等，国内有 qwen、DeepSeek、glm-4 等等，那么假设你要开发一个具备以下功能的 AI 应用：
✅ 多模型接入 + ✅ 调用外部 API 工具 + ✅ 多轮对话记忆 + ✅ 多步骤推理链路
如果你不使用大语言模型开发框架，你需要
那么如果使用大语言模型框架，就能帮我们减少很多上述重复造轮子的工作，挺香的吧～
什么是 LangChain？
ok，上面介绍了为什么我们要使用大语言模型框架，接下来我们简单介绍下 langchain。
LangChain 是一个用于构建基于大语言模型（LLM）的应用框架，目标是帮助开发者更容易地构建复杂的、可组合的 AI 应用。
具体来说，LangChain 提供了以下功能模块：
对接多个 LLM 提供商（如 OpenAI、Anthropic、Google 等） 支持 Prompt 模板、工具调用、记忆、上下文管理等能力 内置了文档问答、聊天机器人、多步推理等常见范式 良好的 OpenAPI 接口集成能力
能用 LangChain 做什么？
我们可以在它的帮助下快速开发：
🧾 文档问答系统（如上传 PDF 后提问） 🤖 多轮对话机器人 📄 智能摘要和文本处理工具 🕵️ Web 搜索增强问答 🛠️ 插件调用（支持 OpenAPI 的工具集成）
langchain 官网：https://python.langchain.com
目前 Langchain 提供了 Python 和 JS 2 个官方 SDK，但是整体来说，Python 版本功能最全面、更新速度和社区支持也算最好的，所以我这里选择的是 Python 版本作为学习。
另外 Langchain 目前的大版本是 0.3.x，听说 0.1 - 0.3 之间每个大版本有比较大的差异，我这里是选择的是最新的 0.3.x。
langchain 架构图
这是来自 langchain 官方的一张架构图，我们可以将它解读为：LangChain 生态包含三层结构 + 一侧辅助平台：
主结构（三层）
1. Architecture（架构层）
LangChain： 开源的核心框架，用于构建 LLM 应用的基础设施，包括 Prompt 构造、Chain、Memory、Tool 调用等。
LangGraph： 基于状态机思想的图状 chain 控制器，可以让你构建更复杂的、多分支的推理逻辑。用于管理带分支和循环的智能流程。
这一层是开发者直接用来写代码的地方。
Components（组件层）
Integrations： 集成了大量模型、数据库、搜索引擎、工具插件等（如：OpenAI、Anthropic、Weaviate、Qdrant、Pinecone、Google Search 等等）。
简单理解就是：LangChain 帮你接好了各种 LLM 和工具插件，直接调用。
Deployment（部署层）
LangGraph Platform（Commercial）： 官方提供的商业托管平台，可以部署你构建的 LangGraph 工作流，并提供用户界面、运行管理、API 网关等功能。
属于商业产品，适合企业级部署与托管。
辅助工具平台：LangSmith
这是一个非常重要的调试 & 管理平台，官方定位是用于：
🧠 LangSmith 类似是 AI 应用的“观察和分析仪表盘”，帮助你构建、优化、迭代智能 Agent。
OpenAI Compatible
该平台或模型 支持与 OpenAI 官方 API 相同的接口规范，可以直接用 OpenAI 的 SDK 调用，无需修改代码。
这里我使用的是硅基流动作为大模型提供方（主要是官方之前送的钱还没花完），如果你有 openai 官方的 api_key 或者其他平台的也是可以的，这一段内容可以跳过
访问官网：https://www.siliconflow.cn/ 注册账户并登录 点击菜单栏【API 密钥】-【新建 API 密钥】 保存你的 API Key，或在本地设置环境变量：
注意：硅基流动是 OpenAI 接口兼容的，所以可以直接用于
OpenAI模块。
Hello World
我们来写一个最简单的调用示例。(此处略过虚拟环境环境配置，请自行查找 venv 或者 uv 等使用）
# 安装langchain_openai
pip install langchain_openai
然后创建一个 demo.py 文件
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="Qwen/Qwen3-32B",
openai_api_key="your_api_key",
base_url="https://api.siliconflow.cn/v1",
temperature=0
)
# 调用模型并生成回答
resp =llm.invoke("你好")
print(resp)
运行后你会看到 AI 返回的诗歌内容！
content='\n\n你好！有什么我可以帮你的吗？' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 156, 'prompt_tokens': 9, 'total_tokens': 165, 'completion_tokens_details': {'accepted_prediction_tokens': None, 'audio_tokens': None, 'reasoning_tokens': 147, 'rejected_prediction_tokens': None}, 'prompt_tokens_details': None}, 'model_name': 'Qwen/Qwen3-32B', 'system_fingerprint': '', 'id': '0197d0d93b8f37a5bc86740c3f1474d2', 'service_tier': None, 'finish_reason': 'stop', 'logprobs': None} id='run--41d63779-a82a-4e2d-83a7-557a7f87169b-0' usage_metadata={'input_tokens': 9, 'output_tokens': 156, 'total_tokens': 165, 'input_token_details': {}, 'output_token_details': {'reasoning': 147}}
可以看到，response 包含了大量的信息，比如大模型生成内容、token 用量、模型标识、运行 ID、完成状态等信息。
如果只需打印大模型返回的字符串，那么可以print(resp.content)即可
流式调用（Streaming）
在上面的demo 中，我们看到大模型返回内容是一次性返回的，而非流式，其实LangChain 也支持流式输出，即一边生成、一边展示。我们只需要作如下改造
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="Qwen/Qwen3-32B",
openai_api_key="your_api_key",
base_url="https://api.siliconflow.cn/v1",
temperature=0
)
# 流式调用模型并生成回答
for chunk in llm.stream("你好"):
print(chunk.content, end="", flush=True)
此时如果你在控制台执行，就能看到内容是流式蹦哒出来的了。
