01章节
入门定位
LangChain 的定位更接近“编排层”。它帮助你把模型调用、提示模板、检索、工具、输出解析和状态流转串起来。
如果你的系统已经不再是简单的一次性问答，而是开始出现多阶段处理，它就会变得有用。
AI 编程文档
这里整理 AI 编程、工具使用、自动化和开发流程里的高频实战说明，按主题持续沉淀。
左侧选择目录。
中间查看正文。
右侧使用本页导航。
正文
LangChain
LangChain 更适合组织检索、工具调用和链路编排。它不是魔法代理框架，而是一套帮你把复杂流程工程化的组件体系。
02章节
适合什么任务
典型适用场景包括 RAG、工具调用、多步问答、结构化输出和上下文链路组织。它特别适合把多个能力串起来的系统。
如果任务非常固定、流程极短，直接写原生代码可能更简单。
03章节
和 LangGraph 的关系
LangChain 更偏组件和链路拼装，LangGraph 更偏状态图和复杂控制流。前者适合先把能力连起来，后者适合需要明确节点和分支的大流程。
很多时候不是二选一，而是先用 LangChain 组织能力，再在复杂场景下引入更强的图式控制。
04章节
核心模块怎么看
可以把它拆成几类：模型接入、提示模板、检索层、工具层、输出解析和链路编排。每一层都在帮你降低重复接线成本。
真正重要的是别把框架概念当业务目标。框架只是为了让流程更清晰，不是为了堆更多抽象层。
05章节
实操建议
实战里建议先做最小链路，例如“检索 + 生成”或“工具调用 + 结构化输出”，跑稳后再扩展记忆、多步控制和复杂分支。
不要一开始就想做全能代理，先把一个小链路做可靠，比同时搭十个模块更有价值。
06章节
常见坑
误区一是为了用框架而用框架，导致原本简单流程被过度抽象。误区二是把所有问题都交给 Agent，而不是先识别哪些流程其实是确定性的。
误区三是对检索层过度乐观，默认召回上来就一定可用，结果忽略了分块、排序和上下文压缩的难点。
07章节
第一个例子怎么做
最适合的第一个例子通常是一个最小链路，例如“检索一段资料再生成回答”或“调用工具后输出结构化 JSON”。
不要一上来就做全能 Agent。先把一段短链路跑稳，才能知道框架到底在帮你什么。
08章节
推荐学习顺序
建议顺序是：模型接入 -> 提示模板 -> 输出解析 -> 检索 -> 工具调用 -> 多步链路。
这样每往前走一步，你都知道新增复杂度是为了解决什么问题，而不是为了“看起来更像 AI 系统”。
09章节
和其他主题怎么组合
LangChain 常和 NLP、RAG、Agent、向量检索和 Skills 结合。它更像连接器和编排器，而不是终点产品。
比较稳的做法是：先用它串起模型与检索，再决定是否进一步引入 Agent 决策能力。