LangChain 解决什么问题？什么时候用 LangChain，什么时候用原生 API？

LangChain 提供统一抽象层（轻松切换 LLM）、组件丰富（RAG / Agent / Memory 开箱即用）、生态集成多。简单 API 调用 / 需要灵活性 → 原生 API；复杂应用（多组件链式调用）/ 快速原型 → LangChain。两条都不互斥，团队也常混用：LangChain 起步、性能瓶颈处下到原生。

LangChain 的 Chain 是什么？怎么把 prompt + LLM + parser 串起来？

用 LCEL 管道符 `|` 把组件串联。例：`chain = prompt | llm | StrOutputParser()`，然后 `chain.invoke({"role": "翻译专家", "input": "Hello"})`。ChatPromptTemplate 装提示模板（system + user），ChatOpenAI 装模型，StrOutputParser 把 message 解成字符串。要 JSON 用 PydanticOutputParser 或 JsonOutputParser。

LangChain 怎么做 RAG？需要哪些组件？

三件套：vectorstore（如 `Chroma.from_documents(documents=docs, embedding=OpenAIEmbeddings())`） + retriever（`vectorstore.as_retriever()`） + LLM。再用 LCEL 串：retriever 取 chunks → prompt 拼接上下文 → LLM 生成。生产里通常加 metadata filter、rerank 和 citation 输出，LangChain 的 ContextualCompressionRetriever 自带过滤。

LangChain 的 Agent 怎么用？和直接调 function calling 区别在哪？

用 `create_openai_functions_agent(llm, tools, prompt)`，工具用现成的（如 DuckDuckGoSearchRun）或自定义。Agent 帮你做了执行循环、错误处理、工具结果回灌。直接 function calling 自由度高但要自己写 while-loop、超时、重试、tool 选择验证。Agent 适合 prototype 和中等复杂度，超复杂 workflow 用 LangGraph 更合适。

LangChain 项目调试和监控应该怎么做？

用 LangSmith（同公司 tracing/eval 平台）打开 trace，每个 chain 步骤、token、延迟、retry 都能看。本地调试用 `chain.invoke()` 之外多用 `chain.stream()` / `chain.batch()` 验证流式和批处理。LCEL 的好处是每段都能单独 invoke 排查。生产记录 chain run_id 关联日志，prompt 改动用 Git 版本管理。

LangChain 框架

⏱️ 60分钟

使用主流框架加速开发

🔒

注册解锁完整内容

免费注册，即可查看全部内容

✓完整章节内容
✓视频教程
✓代码示例
✓学习社群