图解 LangChain 01｜为什么是 LLM 应用框架：从裸调 API 到工程化
直接调 OpenAI 接口也能跑通，为什么还要 LangChain？这一篇先把「裸调 API 为什么不够」讲透，再立起 LLM 应用框架的三根轴：组件复用、流程编排、可观测治理。
01-07
认识与基础
为什么需要 LLM 框架、v1.0 三层架构、Runnable 协议、LCEL 管道与 Model I/O 三件套。
LLM 应用框架
图解 LangChain
从一条 Runnable 协议开始，拆到 LCEL、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP、记忆重构，再到 LangSmith 调试与生产部署。
适合从 0 系统学透 LangChain v1.0 架构、生产 Agent 和工程治理的后端/AI 工程师。
阶段目录
按主题段落阅读
08-17
LangGraph 状态机
从 Chain 到 Graph、StateGraph 五要素、reducer、super-step、checkpoint、HITL 与多 Agent 协作。
18-24
Agent 与 Middleware
create_agent 入口、middleware 切面、hook 点、预置件、context engineering 与 deep agents。
25-31
RAG 与检索
五段流水线、切分策略、Embedding、VectorStore、Retriever 与 Agentic RAG。
32-37
Tools/MCP/记忆
工具调用标准化、MCP 协议与三能力、记忆模型重构与短期长期记忆。
38-42
生产化收束
LangSmith 可观测、评估、Replay 调试、部署演进与系列收束。
文章列表
完整目录
42 篇
01
02
图解 LangChain 02｜v1.0 架构分层：core / LangGraph / langchain 各管什么
LangChain 不是一个扁平的库，而是分了三层：langchain-core 提供积木，LangGraph 负责编排有状态流程，langchain 包出开箱即用的 Agent。搞清这三层的边界，才不会学得一团乱。
03
图解 LangChain 03｜Runnable 协议：一切皆可组合的积木
LangChain 地基里最关键的一块积木是 Runnable——它给所有组件定义了统一的输入输出协议。搞懂它，才懂为什么 prompt、模型、解析器能用同一种方式串起来。
04
图解 LangChain 04｜LCEL：用管道把组件串成链
当所有组件都是 Runnable，就能用管道符把串成链。LCEL 是 Runnable 协议的组合语法，最大的价值是流式、批处理、异步、追踪开箱即用。
05
图解 LangChain 05｜PromptTemplate：把固定文案变成可复用的输入
prompt 散落在代码里是技术债。PromptTemplate 把固定文案和变量分离，让 prompt 变成可复用、可管理、可测试的 Runnable 组件。
06
图解 LangChain 06｜OutputParser：让模型的自由文本变成程序能消费的结构
模型回答的是自由文本，程序要的是结构化数据。输出解析负责这个转换。v1.0 主推 with_structured_output，让模型直接吐结构，比手写解析稳得多。
07
图解 LangChain 07｜Model I/O 闭环：把三件套串成一条可靠的链
prompt、model、parser 单看都是积木，串起来才是 Model I/O 闭环。这一篇把它们组成完整链，再加上重试、fallback、限流，让它从能跑变成可靠。
08
图解 LangChain 08｜从 Chain 到 Graph：Agent 为什么需要图而不是直线
LCEL 管道是直线，但真实 Agent 需要循环、分支、中断。这一篇讲清为什么直线模型不够用，以及 LangGraph 用「图」怎么补上这些缺口。
09
图解 LangChain 09｜StateGraph 五要素：看懂任何一张 LangGraph 图
StateGraph 由五个要素构成：State 状态、Node 节点、Edge 连线、Reducer 合并、Super-step 推进。把这五个概念认全，任何 LangGraph 图你都能看懂。
10
图解 LangChain 10｜State：在节点间流转的数据
State 是图的血液。这一篇讲清 state 怎么定义、有哪些字段、为什么消息列表是它的核心，以及 state 和 Agent 记忆的关系。
11
图解 LangChain 11｜Node 与 Edge：图的步骤与路
Node 是图的处理步骤，Edge 是节点间的连线。这一篇讲清怎么定义节点、连线怎么连，以及它们怎么和 state 配合把图跑起来。
12
图解 LangChain 12｜条件 Edge：让图根据情况走不同的路
普通 edge 固定下一步，条件 edge 根据当前 state 动态决定走哪。这是图能做「根据情况分流」的关键，也是 Agent 灵活性的来源。
13
图解 LangChain 13｜Reducer：State 字段怎么合并，最容易踩坑的地方
多个节点都改同一个 state 字段时，是覆盖还是追加？Reducer 决定合并规则。搞不清它，多 Agent 协作会出现消息丢失、状态被覆盖的诡异 bug。
14
图解 LangChain 14｜Super-step 与 Checkpoint：让 Agent 跑得久、恢复得了
图不是一口气跑完，而是按 super-step 推进，每步存档。Checkpoint 让长流程 Agent 能恢复、能暂停、能跑很久。这是生产级 Agent 的根基。
15
图解 LangChain 15｜Human-in-the-Loop：让 Agent 跑到一半等人介入
Agent 跑到敏感步骤要暂停等人审批，这是生产里绕不开的需求。LangGraph 用 interrupt 实现，而它成立的前提就是上一篇的 checkpoint。
16
图解 LangChain 16｜多 Agent 协作：Supervisor 与 Swarm 两种拓扑
一个复杂任务，单个 Agent 可能搞不定。多 Agent 协作让它分工配合。LangGraph 支持两种主流拓扑：Supervisor 主管型和 Swarm 群组型，各有适用场景。
17
图解 LangChain 17｜LangGraph 实战收束：用一个完整 Agent 串起五要素
前面 9 篇把 LangGraph 的概念拆开讲了，这一篇用一个完整的「带工具的客服 Agent」把它们串起来，作为 Phase 2 的实战收束。
18
图解 LangChain 18｜create_agent：v1.0 的标准 Agent 入口
上一篇我们手动搭了一个 Agent 的图。create_agent 把这套手工活封装成开箱即用的入口——一行代码搭出标准 Agent。这一篇讲它封装了什么、底层是什么。
19
图解 LangChain 19｜Middleware 概念：不动核心 loop，hook 进每一步
create_agent 的核心 loop 是固定的，但你想加记忆、压缩、护栏怎么办？Middleware 让你不碰 loop，通过钩子注入这些横切能力。这是 v1.0 的灵魂设计。
20
图解 LangChain 20｜Middleware 的 Hook 点：beforeModel 与 afterModel
上一篇讲了 middleware 的概念，这一篇落到具体：它能 hook 在哪些位置？主要是 beforeModel 和 afterModel，每个位置适合做什么。
21
图解 LangChain 21｜预置 Middleware 全景：拿来就用的横切能力
上一两篇讲了 middleware 的钩子点。好消息是：最常见的那些横切能力，官方已经写成预置 middleware 了，你直接用。这一篇做个全景。
22
图解 LangChain 22｜Context Engineering：怎么管理 Agent 越来越长的上下文
Agent 跑久了，上下文会越来越长，超过模型窗口就崩了。Context Engineering 就是管理这件事——通过 middleware 压缩、裁剪、筛选上下文。这是 2026 年 Agent 工程的核心议题。
23
图解 LangChain 23｜Deep Agents：用 Middleware 搭能处理长任务的复杂 Agent
上一篇讲了 Context Engineering。Deep Agents 就是把 middleware 这套用到位的复杂 Agent——能处理长上下文、多步骤、需要持续记忆的任务。这是 middleware 架构的集大成。
24
图解 LangChain 24｜Agent 三种范式：ReAct、Plan-Execute、反思
前面 6 篇讲了怎么搭 Agent，这一篇做 Phase 3 收束——讲 Agent 的三种经典范式：边想边做的 ReAct、先规划再执行的 Plan-Execute、做完自我检查的反思。各有适用场景。
25
图解 LangChain 25｜RAG 流水线全景：从加载到检索的五段链路
让 Agent 能查知识库再回答，靠的是 RAG。这一篇是 Phase 4 开篇，先给 RAG 五段流水线的全景：加载→切分→向量化→存储→检索，每段都是 Runnable。
26
图解 LangChain 26｜Document Loaders：把原始内容干净地读进来
RAG 第一段：把 PDF、网页、数据库这些原始内容读进来。听起来简单，但格式处理不好，后面切分再聪明也白搭。这一篇讲 Loaders 和 Document 对象。
27
图解 LangChain 27｜Text Splitters：切分策略比 Embedding 模型更重要
RAG 第二段：把长文档切成块。这一篇讲切分策略，并给出一个反常识的工程判断——切分质量对 RAG 效果的影响，往往比换 embedding 模型还大。
28
图解 LangChain 28｜Embeddings：把文本变成向量
RAG 第三段：把文本块转向量。这一篇讲向量化是什么、为什么能做相似搜索，以及中文场景的模型选型——别无脑用 OpenAI。
29
图解 LangChain 29｜Vector Stores：存储与接口统一带来的可替换性
RAG 第四段：把向量存起来。这一篇讲向量库的作用，以及 LangChain 用统一接口抽象它们——换来的是可替换性，换库几乎不改业务代码。
30
图解 LangChain 30｜Retrievers：检索的抽象与进阶策略
RAG 第五段：检索。Retriever 是「给查询返回文档」的 Runnable 抽象。这一篇讲它为什么重要，以及几种提升检索质量的进阶策略。
31
图解 LangChain 31｜Agentic RAG：让 Agent 自己决定何时检索
Phase 4 收束。固定 RAG 每次都查，Agentic RAG 让 Agent 自己判断要不要查、查什么、查几次。这一篇讲它怎么实现，以及和固定 RAG 的边界。
32
图解 LangChain 32｜工具调用：@tool 与 bind_tools 的标准化
Agent 的「手」是工具。这一篇讲怎么定义工具、怎么把工具绑给模型。重点：工具的描述和参数 schema 就是给模型看的 API 文档，写不好 Agent 就乱调。
33
图解 LangChain 33｜MCP 协议：跨应用共享工具的开放标准
上一篇的 @tool 是应用内的私有工具。MCP 是让工具能跨应用共享的开放协议。这一篇讲它是什么、解决什么，以及和 @tool 的边界。
34
图解 LangChain 34｜MCP 三能力：Tools、Resources、Prompts
上一篇提到 MCP 有三种能力。这一篇展开讲：Tools（模型调用的函数）、Resources（模型读的数据）、Prompts（复用模板）。多数人只用 Tools，但另两个也有价值。
35
图解 LangChain 35｜记忆是什么：State + Middleware 如何实现记忆
Phase 5 转到 Agent 的「脑」——记忆。这一篇讲清 LangChain 的记忆不是神秘机制，它就是 state（存什么）+ middleware（怎么注入），是前面学的东西的组合。
36
图解 LangChain 36｜短期记忆：Checkpointer 怎么管一次会话
上一篇讲了记忆 = state + middleware。这一篇落到短期记忆：一次会话里的上下文，怎么靠 checkpointer 按 thread 管理、跨轮次保持。
37
图解 LangChain 37｜长期记忆：LangGraph Store 跨会话记忆
短期记忆管一次会话，长期记忆管跨会话。这一篇讲 LangGraph Store 怎么实现长期记忆——记住用户偏好、历史结论，换个会话也记得。
38
图解 LangChain 38｜LangSmith Tracing：让 LLM 黑盒变得可追踪
最后的 Phase 6 讲生产化。这一篇讲 LangSmith Tracing——LLM 调用是黑盒，trace 让每一步可见。没有可观测性，LLM 应用永远停在 demo。
39
图解 LangChain 39｜评估：用数据集量化 Agent 和 RAG 的质量
Trace 让单次 run 可见，但整体质量怎么衡量？这一篇讲评估——用数据集批量测，量化改 prompt/换模型有没有变好，而不是凭感觉。
40
图解 LangChain 40｜Replay 调试：Agent 时代的断点调试
传统断点调试对 Agent 这种多步、有状态的程序不好使。Replay 调试能取一次 run 的状态，改输入重跑。它是 Agent 时代的断点调试。
41
图解 LangChain 41｜部署演进：从 LangServe 到 LangGraph Platform
应用做好了要部署。这一篇讲 LangChain 的部署方案演进：LangServe 适合无状态链，LangGraph Platform 是为有状态 Agent 设计的运行时，是 v1.0 的主推方向。
42
图解 LangChain 42｜系列收束：LangChain 的适用边界与选型判断
全系列最后一篇。回顾 42 篇建立的知识地图，并给出一个务实的判断：LangChain 适合什么、不适合什么、什么时候该用它。