日常交流下來，發現很多人對 LangChain 的印象還停留在一個「功能臃腫、過度抽象」的 AI 應用開發框架，這是一種常見的誤解。事實上，自 0.3 版本起，LangChain 框架本身已經變得更加輕量和高效。更重要的是，LangChain 不只是一個開發框架，它代表了一整套完整的 AI 應用開發解決方案，涵蓋了從原型設計、Beta 測試到生產部署的全流程，已被 Replit、Lovable 等知名 AI 產品所采用。

LangChain 生態系統包含七個關鍵工具，能夠高效支持 AI 應用的構建。無論是基于規則的工作流（使用 LangChain）、具備復雜狀態管理的 Agentic 工作流（結合 LangChain 與 LangGraph），還是完全自主的 Agent 模式（使用 LangGraph），都能找到相應的工具支持：

• 使用 LangChain CLI 創建標準化項目結構：pip install langchain-cli
• 利用 LangChain 核心框架快速進行原型開發：pip install langchain
• 通過 LangServe 快速啟動應用 API 服務：pip install "langserve[all]"
• 使用 LangSmith 實現 AI 應用的可觀測性、評估與生產監控：pip install langsmith
• 通過 LangGraph 實現復雜智能體工作流的編排：pip install langgraph
• 使用 LangGraph Studio 進行智能體工作流的可視化設計
• 利用 LangGraph Platform 實現智能體工作流的生產部署

LangChain 早期版本通過“鏈”的概念，將 AI 應用中的基礎模型、提示模板、外部數據和 API 工具等組件模塊化串聯，提供了高度靈活的設計能力。這種架構激發了開發者社區的廣泛集成，使 LangChain 成為功能全面、生態豐富的 AI 開發“瑞士軍刀”。隨著 Agentic 工作流的興起，LangChain 團隊推出了 LangGraph，采用更靈活的狀態圖模型，以應對包含循環、條件判斷和狀態控制等復雜邏輯的智能體任務。

LangChain 通過其兩大開源框架 —— LangChain 和 LangGraph，以及兩款商業化工具 —— LangSmith 和 LangGraph Platform，支持企業級 AI 應用的構建。其中，商業化工具已被用于多家知名 AI 產品的生產環境托管，而開源框架則廣泛受到大型企業的采納。以下是一些典型的企業級 AI 應用案例。

字節跳動開源的 DeerFlow 是一個成熟的通用 Agent 類工具，在 GitHub 上已獲得 15,700 顆 Star。其項目依賴通過 pyproject.toml 配置，核心基于 LangChain 與 LangGraph 構建。

dependencies = ["httpx>=0.28.1","langchain-community>=0.3.19","langchain-experimental>=0.3.4","langchain-openai>=0.3.8","langgraph>=0.3.5","readabilipy>=0.3.0",..."langchain-mcp-adapters>=0.0.9","langchain-deepseek>=0.1.3",
]

下面是 DeerFlow 架構圖，使用 LangGraph 自帶的工具可以直接導出（print(graph.get_graph().draw_mermaid())）。

谷歌開源的 gemini-fullstack-langgraph-quickstart 項目在 GitHub 上獲得 15,900 顆 Star🌟，展示了如何構建一個高度完善的深度研究（Deep Research）類產品，核心基于 LangGraph 。

以下是阿里云大模型服務平臺“百煉”的應用觀測功能截圖。

對比來看，LangSmith 提供了指標（metric）、追蹤（trace）和日志（log）等核心能力，百煉的應用觀測功能正是對標 LangSmith 的設計，旨在支持生產環境中 AI 應用的全面監控與分析。

最近，AI 領域值得關注的一個事件是，在 C 端用戶中廣受好評的扣子平臺宣布開源。其中，廣受好評的 Coze Loop（扣子羅盤）的觀測機制，借鑒了 LangChain 的設計理念。根據官方文檔 的說明，「扣子羅盤基于 LangChain 的 callback 機制，提供一鍵集成能力，可自動完成 Trace 數據的上報」。以下示例展示了如何在 LangChain 的 LCEL 模式中無縫集成扣子羅盤的 Trace 功能，從而實現對 AI 模型調用過程的監控與分析。

import osimport cozeloop
from langchain_core.runnables import RunnableConfig
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParserfrom cozeloop.integration.langchain.trace_callback import LoopTracerdef do_lcel_demo():# 配置CozeLoop環境變量os.environ['COZELOOP_API_TOKEN'] = '{your_token}'os.environ['COZELOOP_WORKSPACE_ID'] = '{your_workspace_id}'# 創建cozeloop clientclient = cozeloop.new_client()# 注冊callbacktrace_callback_handler = LoopTracer.get_callback_handler(client)llm_model = ChatOpenAI()lcel_sequence = llm_model | StrOutputParser()output = lcel_sequence.invoke(input='用你所學的技巧，幫我生成幾個有意思的問題',config=RunnableConfig(callbacks=[trace_callback_handler]))print(output)# 程序退出前，需要調用Close方法，否則可能造成trace數據上報丟失。Close后無法再執行任何操作。client.close()if __name__ == "__main__":do_lcel_demo()

類似的案例還有很多，這里不再一一列舉。關于如何開發可觀測性插件與企業自有 IT 系統集成的實現方法，我已在第一版中進行了詳細介紹，第二版會從設計角度進行更詳細的論述。

需要再次強調，本書第二版的關注點不局限于 LangChain 框架本身，而是能夠從 LangChain 全家桶中的各類工具設計思想出發，探討企業級 AI 應用的構建過程以及 AI 工程化的最新最佳實踐。盡管市面上存在眾多可替代的框架、工具和產品，LangChain 的優勢在于能夠提供 Agent 應用從設計、開發、評估、部署到監控的完整實踐路徑。通過這一路徑，讀者可以先動手實踐，再結合自身的積累與判斷力，去評估甚至設計更優秀的框架。在此基礎上，讀者將能更清晰地辨別其他框架在設計上的優劣，深入理解其組件背后的設計原則，最終成長為合格的 Agent 應用開發者或 Agent 平臺架構師。

Claude Code 最新推出的 Subagents（子智能體） 功能，是指預配置的 AI 角色，專為執行特定任務而設計，具備獨立的上下文窗口和定制的系統提示，有助于提高任務處理效率。從設計角度來看，Subagents 與 LangGraph 中的 Subgraphs（子圖） 相似：子圖本質上是嵌套在另一個圖中的圖，作為其中的一個節點使用。

該功能適用于以下場景：

1. 構建多智能體系統：適用于在復雜系統中引入多個獨立的任務處理單元。
2. 代碼復用：當多個流程圖中需要重復使用一組具有共同狀態的節點時，可將這些節點封裝為子圖，并在多個父圖中調用。
3. 團隊協作：在不同團隊需獨立開發流程圖的不同部分時，可將每個部分定義為一個子圖。只要保持子圖接口（即輸入和輸出格式）一致，父圖即可在不了解其實現細節的前提下進行構建。

在多個子智能體之間如何實現平滑協作？LangGraph 提供了一種稱為 交接（Handoff） 的機制。其核心思想是：當某個智能體無法獨立完成任務時，可將對話流轉交給更合適的智能體，而用戶無需重復描述問題。這一概念也體現在 OpenAI Agents SDK 的設計中。

此外，在涉及人機協作（Human-in-the-loop）的場景中，如何在適當時機通知人工介入，以及智能體如何從故障中恢復等問題，LangGraph 也提供了相應的機制設計。

HumanLayer 創始人 Dex Horthy 借鑒了「12-Factor App」的理念，提出了「12-Factor Agents」原則（相關視頻）。其核心思想是：將 Agent 視為軟件，將 LLM（大語言模型）視為可調用的純函數，開發者應掌控整個流程。LLM 的作用是生成結構化的 JSON 輸出，由確定性代碼解析并執行，而不是隱藏在抽象的“工具調用”背后。Agent 的核心控制邏輯，包括循環與分支判斷，應由開發者編寫代碼實現；LLM 僅負責決定“下一步該做什么”。流程的執行、中斷與重試等操作，均由開發者編寫的邏輯控制。

LangChain 可能從其早期框架設計中吸取了“過度抽象、封裝過重”的教訓。其后續推出的 LangGraph，成為目前開源 Agent 框架中控制最靈活、自由度最高的一個。我在這篇文章中曾深度分析過包括 OpenAI 的 Agents SDK、Google 的 ADK、Crew AI、Agno 和 AutoGen 等主流框架的設計思路。使用 LangGraph 構建 Agent 時，開發者可以完全掌控流程的執行、中斷與重試。

此外，LangGraph 支持顯式且統一地管理 Agent 的運行狀態與業務狀態（如對話歷史），并將這些狀態存儲在數據庫中。通過簡單的 API，即可實現 Agent 的啟動、暫停與恢復，非常適合處理長周期任務。

在介紹完 LangChain 生態之后，我們來看看本書第二版的變化。本書的標題《LangChain 編程：從入門到實踐》在第二版中更具現實意義。如果說第一版中的“從入門到實踐”是指“有一個想法，然后用 AI 實現并上線一個演示版本”，那么第二版的“實踐”則意味著“從一個想法出發，構建出一個可支持百萬用戶訪問的工具，并能持續收集反饋、進行測試與迭代的高效 AI 智能體應用”。那么，第二版具體有哪些更新呢？

1. 移除已廢棄的 Chain 編程接口內容：由于 Chain 接口已被官方棄用，本書第二版不再介紹 LangChain 早期版本中提到的“六大模塊/組件”相關內容，這些內容已過時。
2. 移除舊版記憶組件示例：如 ConversationBufferMemory、ConversationStringBufferMemory 等舊式記憶組件已被淘汰，相關內容已刪除。記憶功能現在統一通過 LangGraph 中自定義的 Memory 模塊進行管理。
3. 新增對 LangGraph 的詳細講解：本書第二版新增了對 LangGraph 這一 Agent 編排框架的詳細介紹，以及與其他主流 Agent 框架的對比分析。
4. 全面遷移至 Pydantic 2：所有代碼示例均已更新至 Pydantic 2 標準，并兼容 langchain_core 的最新版本。
5. 所有案例重構為 LangChain 新模塊結構：隨著 langchain 主包的拆分，本書代碼已根據新的模塊結構進行重構，包括：
   • langchain-core：包含核心抽象（如聊天模型）、可運行性與可觀測性工具；
   • langchain：通用邏輯實現，適用于多種接口實現的通用代碼（如 create_tool_calling_agent）；
   • langchain-community：由社區維護的第三方集成；
   • langchain-[partner]：針對特定熱門集成（如 langchain-openai、langchain-anthropic）的官方支持包，通常具備更高的穩定性與維護優先級。
6. 支持 LangChain 0.3 版本：全書代碼示例和講解均基于 LangChain 最新 0.3 穩定版本。
7. 替換為國產模型支持：書中所有案例使用的模型已從 OpenAI 的 GPT 系列更換為國內主流模型，包括通義千問的文本嵌入模型、DeepSeek-V3 和 DeepSeek-R1。
8. 新版更多內容介紹請參考圖靈編輯部專題文章：《LangChain 學習必備，從入門到實踐的全新版指南！》