新闻详情

新闻详情

首页 / 资讯中心 / 详情

LangChain 的设计哲学

发布时间:2026/11/18 9:26:00来源:尧图网络
LangChain 的设计哲学
LangChain 官方对自身的定位非常明确让开发者能够以最简单的方式开始构建 LLM 应用同时保持足够的灵活性并最终能够用于生产。1. 三个核心判断LangChain 的设计建立在几个基本判断上LLM 是强大的新型技术LLM 与外部数据结合后更有价值未来应用会越来越 Agentic目前 Agent 仍处于早期阶段做出 Demo 很容易做出可靠的生产级 Agent 很难。因此LangChain 真正要解决的不是“怎么调用一次大模型”而是如何把 LLM、数据、工具和复杂业务流程组合成可靠的 AI 应用。2. LangChain 的两大核心目标① 让开发者自由选择最好的模型不同模型厂商拥有不同的API参数Message 格式输出格式LangChain 通过统一的模型输入输出接口降低厂商绑定让开发者可以更容易地切换最新模型。可以理解为LangChain 统一接口OpenAIAnthropicGemini统一输出格式核心思想模型是可替换的。② 不只是“生成文本”而是让模型参与编排LangChain 认为 LLM 的价值不应该局限于输入 Prompt → 输出文本而应该让模型能够调用 Tools获取外部数据处理非结构化数据编排更加复杂的计算和业务流程因此LLM判断 / 推理Tool / Data / Computation结果LLM下一步行动这实际上就是从LLM Application → Agentic Application的转变。3. LangChain 的架构演进官方历史非常值得注意2022LangChain LLM Chains最初主要解决如何统一调用 LLM以及如何把多个固定步骤串起来。2022 年底加入 Agent开始让 LLM 根据情况决定调用哪些工具。2023Tool Calling从早期解析 JSON逐渐转向模型原生 Function Calling / Tool Calling。2024LangGraph 出现LangChain 发现Agent 真正进入生产环境后需要更低层、更强的流程控制。因此出现 LangGraph负责精确控制执行流程StreamingDurable ExecutionShort-term MemoryHuman-in-the-loop2024 以后LangGraph 成为复杂 AI 应用的重要底层官方明确将 LangGraph 定位为比单次 LLM 调用更复杂 AI 应用的低层编排基础。2026Deep Agents进一步提供“开箱即用”的 Agent Harness包括PlanningVirtual FilesystemSubagentsContext Management而 LangChain 保持更大的架构自由度。4. 最核心的设计哲学可以浓缩成一句话LangChain 不想替你决定 Agent 应该怎么做而是提供标准化的模型接口、Tools 和构建模块让你能够自由组合需要更强执行控制时下沉到 LangGraph需要更完整的 Agent Harness则可以使用 Deep Agents。因此现在可以形成一个非常清晰的分层Deep Agents复杂 Agent 的开箱即用 HarnessLangChain灵活的 Agent 构建框架LangGraphAgent / Workflow 编排运行时LLM Tools StateAI 应用的基础能力这也是理解 LangChain 最重要的设计思想上层追求易用下层保留控制标准化模型与工具接口同时把复杂 Agent 的执行可靠性逐渐下沉到 LangGraph。5. AI 应用的编程实践在快速变化中LangChain 的架构基本稳定了吗截至目前的官方架构我的判断是LangChain 的核心定位和分层已经比较稳定但具体 API、Agent 实现方式和周边能力仍会快速迭代。尤其是LangChain v1.0已经是一个很重要的架构收敛点。官方在 2025 年 10 月发布 v1.0把旧的多套 Chains/Agents 收敛为一个高层create_agent抽象并将其建立在 LangGraph 之上。旧版功能迁移到langchain-classic。现在可以把 LangChain 架构理解成这样AI ApplicationLangChain高层 Agent 框架Deep Agents完整 Agent Harnesscreate_agent()LangGraph编排 / Runtime / StateLLMToolsMiddleware外部世界官方现在明确把LangChain→ Agent frameworkLangGraph→ low-level orchestration framework/runtimeDeep Agents→ batteries-included AgentLangSmith→ tracing / debugging / evaluation作为不同层次来定位。为什么我认为“架构已经比较稳定”最重要的不是 API 稳定而是职责边界稳定了。LangChain 从 2022 年的LLM Chains一路经历 Agent、Tool Calling、LangGraph最后在 v1.0 收敛成模型标准化 Tool Agent Middleware LangGraph Runtime官方甚至明确表示v1.0 的目标之一就是把langchainnamespace 精简到 Agent 所需的核心能力。而现在create_agent()本身就是一个基于 LangGraph 构建的 graph-based agent runtime。所以现在学习 LangChain不需要再把大量精力放在过去的Chain LLMChain SequentialChain 旧 ReAct Agent 各种旧 AgentExecutor这些历史 API 上。但是哪些东西仍然会快速变化主要是上层能力更加快速变化具体模型Provider APITool Calling 能力Agent 最佳实践快速变化MiddlewareContext EngineeringMemoryMulti-AgentSubagentsHandoffsModel routingStructured output多模态Agent Harness相对稳定LangChain / LangGraph 分层Model abstractionTool abstractionAgent abstractionState / Runtime例如 v1 已经用middleware替代了很多旧的 pre/post model hook 机制create_react_agent也被新的create_agent取代。所以不要追求“记住 LangChain 的 API”。现在学习 AI Engineering建议这样学如果现在关注的是AI 应用工程 → Agent → Deep Agents那么 LangChain 最值得学的不是“框架 API”而是它背后的工程抽象① Model ↓ ② Messages ↓ ③ Tool ↓ ④ Tool Calling ↓ ⑤ Agent Loop ↓ ⑥ Middleware ↓ ⑦ State / Context ↓ ⑧ LangGraph Runtime ↓ ⑨ Persistence / HITL / Retry ↓ ⑩ Agent Harness其中①⑦是 LangChain 高层开发视角⑧⑨进入 LangGraph⑩再进入 Deep Agents。这套认知框架比具体 API 更抗变化。最后一个判断2022–2024LangChain 本身快速变化学习框架容易“学完就过时”。现在LangChain 的底层设计边界已经明显收敛尤其 v1.0 是一个重要稳定点变化更多发生在 Agent 能力和 API 层而不是整个架构重新洗牌。所以现在是比较适合系统学习 LangChain 的时间点。建议把从“学 LangChain”进一步转成理解 LangChain → 看懂 LangGraph → 理解 Agent Runtime → 再进入 Deep Agents。这条路线比单独钻 LangChain API 更适合构建AI 应用工程知识体系。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉