Agent 框架别急着乱学:先用 LangChain 搞懂 7 个基本模块
如果你想系统理解 Python Agent 框架,LangChain 仍然值得作为第一篇。它不是最轻的,也不是最“自动化”的,但它把 Agent 应用里的关键零件都摆出来了:模型、工具、状态、记忆、middleware、多 Agent 路由和 tracing。如果你只是想马上做一个复杂自动化 Agent,LangChain 本身可能不够省事,后面大概率会接 LangGraph 或 Deep Agents。但如果你想先看懂 Agent 应用到底由哪些模块组成,LangChain 是很好的入口。
01框架定位:从“调用模型”到“组织代码”
LangChain 解决的不是“调用一次大模型”。它解决的是:当一个 LLM 应用开始需要工具、上下文、记忆、权限控制、调试追踪时,代码应该怎么组织。最小 Agent 入口现在非常直接:你给它模型、工具和系统提示词,它帮你跑一个基础 agent loop:模型先判断要不要调用工具,工具执行完把结果交回模型,模型继续推理,直到输出最终结果。可以把 LangChain Agent 理解成一个预组装好的运行图:它底层依赖 LangGraph,所以不是一个完全黑盒的“聊天机器人”,更像一个预设好的 agent workflow。
02核心模块解构:记忆、工具与多 Agent
LangChain 将 Agent 的复杂功能拆解为几个核心模块,以下是关键组件的详细解析:
- 记忆机制(Memory)
分为短期和长期。短期记忆是当前会话里的上下文,通常通过 checkpointer 保存(如同一 thread_id 下的历史 messages),开发时可用内存版,生产环境常换成 Postgres;长期记忆通过 store 实现,更像跨会话资料库,保存用户偏好、业务对象状态、历史任务结果等。 - 工具调用(Tools)
可以直接用 Python 函数定义。函数名、参数类型、docstring 都会影响模型是否能正确调用。好的工具不只是“能跑”,还要让模型知道什么时候该用、参数该怎么传、结果代表什么。 - 多 Agent 协作
不是“几个机器人随便群聊”。官方更推荐工程化模式,核心还是 state、tool call 和 routing。多个 Agent 的交流,本质上是状态和消息在不同 Agent 之间转移。
03代码实战:最小化 Agent 示例
以下是一个快速上手 LangChain Agent 的最小化代码流程:
- 安装环境
确保安装 LangChain 核心库。 - 定义模型与工具
初始化大模型实例,并定义工具函数(如查询天气)。 - 配置 Agent Loop
传入模型、工具和系统提示词,启动运行图。 - 验证结果
成功标志是模型能识别特定问题(如天气),调用相应工具,最后输出包含具体信息的回答。官方示例也会打印最后一条 message 的 content_blocks,方便查看工具调用和最终文本。
04适用人群与竞品对比
LangChain 并非适合所有人,以下情况应慎重考虑:
- 不适合完全不想理解架构的人,需要理解 Agent、Tool、State、Middleware、Store、Checkpointer 等概念。
- 不适合只想快速做一个“全自动复杂 Agent”的人,它是基础框架而非成品。
- 如果工作流本身就是复杂状态图,直接学 LangGraph 会更干脆。
| 对比维度 | LangChain | LangGraph | CrewAI | AutoGen |
|---|---|---|---|---|
| 定位层级 | 高层封装 | 底层状态图 | 团队组织 | 对话协作 |
| 核心优势 | 预组装常见 agent loop | 自定义状态图 | 像“组团队”一样管理 | 多 Agent 对话交互 |
| 侧重点 | 工具、状态和生产可控性 | 复杂状态流转控制 | 角色分工与协作 | 自动化对话流程 |
主流 Agent 框架对比
LangChain 适合作为 Agent 框架系列的第一篇。它让你先建立这张地图:先用 LangChain 跑通一个单 Agent + 两个工具 + 短期记忆 + tracing,再看后面的 LangGraph、CrewAI、AutoGen,会清楚很多。
当前文章无评论,是时候发表评论了