如何用LangChain快速搭建LLM应用与智能体
【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain
想让程序能和大模型对话、调用外部工具、读懂你提供的文档，却不想为每家模型接口单独写代码？LangChain 是一个用于构建 AI 应用和智能体（即能自主规划和执行任务的 AI 程序）的 Python 框架：它给模型调用、提示词、工具、对话历史这些环节都做了标准化接口，你写一套代码就能在不同模型间切换。
LangChain 能解决的 3 个真实场景
- 想接入多家大模型（OpenAI、Anthropic、本地 Ollama 等）：LangChain 把各家接口统一成一种调用方式，换模型只改一行字符串。各家模型的具体对接代码都在 第三方集成目录。
- 想让 AI 自己决定何时调用工具：
libs/langchain_v1/包内置了智能体架构，模型会根据你给的工具清单自动决定调哪个函数、传什么参数。 - 想让 AI 基于你自己的文档回答：libs/core 里有现成的文档读取、文本切分、多轮对话记忆模块，不用自己拼。
从零跑通
LangChain 环境准备：Python 3.10+ 与 uv
项目要求 Python >= 3.10，并统一用 uv（一个更快的 Python 依赖管理工具，可替代 pip）来装依赖。先确认你本地已有这两样，后面所有命令都依赖它们。
LangChain 安装三步走
克隆仓库、进入核心包目录、安装依赖，一条链跑完即可：
git clone https://gitcode.com/GitHub_Trending/la/langchain cd langchain/libs/core uv sync --group testuv sync会读取该目录的pyproject.toml，按声明装好全部运行依赖；--group test是顺带把测试依赖装上，因为下一步就要跑测试验证。
如何验证 LangChain 安装成功
在libs/core目录下运行官方单元测试：
make test预期输出是 pytest 逐条执行测试，最后给出类似N passed的汇总行——看到这个数字全部为 passed，说明环境已经装好。如果看到failed，说明依赖没装全，回到上一步重跑uv sync --group test即可。
能力速览：4 个常用模块各管什么
如何统一接入任意大模型
模型调用被抽象成统一入口，换供应商只改模型名字符串。各家模型的集成实现位于 libs/partners/，OpenAI、Anthropic、Ollama 都在其中。
如何构建会调用工具的 Agent
给模型一份"工具清单"（你定义的函数），它会自动规划并发起调用。智能体的工厂代码在 agents 模块。
如何让 AI 读懂你的文档
先用加载器把 PDF、网页、Office 文件读进来，再用切分器把长文本切成小块，模型才能基于你的内容作答。加载器见 document_loaders 模块，切分器在 libs/text-splitters/。
如何记住多轮对话上下文
聊天历史存储接口在 chat_history 模块，向量存储、检索器的基础抽象同样在libs/core/下，是后续接外部数据库的地基。
下一步
- libs/core/tests/：单元测试目录，每个文件就是一个功能的完整示范，跟着读比看文档直观。
- libs/standard-tests/：模型集成包必须通过的统一测试套件，能帮你确认各家模型接口行为是否一致。
- libs/partners/：按你要接入的模型厂商，挑对应的集成包安装即可。
现在你可以打开libs/core/tests/里的消息和模型相关测试文件，照着跑一遍，对接口就有了手感。
【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
