标准回答
LangChain 是一个用于构建 LLM 驱动应用的开发框架，核心价值在于"编排"而非"模型"。
它要解决什么问题
直接调用一个 LLM 的 API 只是发一段 prompt、拿一段文本。但真实应用远不止于此：要管理提示模板、要给模型注入对话记忆、要从知识库检索相关文档（RAG）、要让模型调用外部工具与 API、要把多步推理串成流程、还要观测和评估整条链路。这些"胶水"工作如果每个项目都手写，既重复又容易出错。LangChain 把这些常见模式抽象成标准化、可复用、可组合的模块，让开发者专注业务而不是管道。
核心组件
- Models：对各家 LLM 与 Embedding 模型的统一封装，屏蔽不同厂商 API 差异。
- Prompts：提示模板与示例管理，支持变量填充、few-shot、结构化输出解析。
- Chains：把一步或多步调用与处理串成可复用流程（现已主要由 LCEL 组合表达）。
- Memory：在多轮对话中保存与回填历史上下文。
- Indexes / Retrieval：文档加载、切分、向量化、向量库检索，是 RAG 的基础设施。
- Agents：让模型自主决定调用哪些工具、按什么顺序执行，实现动态推理。
- Callbacks：贯穿全链路的回调钩子，用于日志、流式输出、监控与追踪。
2026 现状
如今 LangChain 以 LCEL（LangChain Expression Language） 作为组合各组件的核心，用管道方式声明式地拼装链路；生态上配套 LangGraph（构建有状态、可循环的多 Agent 工作流）和 LangSmith（链路追踪、调试、评估与监控），形成"开发-编排-观测"一体的工具栈。
常见误区
⚠️ 常见踩坑
LangChain 不是大模型，也不替你训练或托管模型，它只是把已有模型与外部能力编排成应用的胶水层；同时它并非 RAG/Agent 的唯一选择，简单场景直接调 API 反而更轻。
追问
追问 1：LangChain 和 LlamaIndex 有什么区别？
两者高度重叠但侧重不同。LlamaIndex 起家于"数据索引与检索"，在文档加载、切分、索引结构和高级 RAG 检索上更专精；LangChain 更偏"通用编排框架"，覆盖 Chains、Agents、工具调用、记忆等更广的应用骨架。实际项目里常见用 LlamaIndex 做检索层、用 LangChain 做整体编排，二者可以混用而非互斥。
追问 2：什么时候不该用 LangChain，直接裸调 API 更好？
当需求只是"单次 prompt 拿结果"或逻辑非常简单时，引入 LangChain 反而增加抽象层、依赖和调试成本。框架的抽象在简单场景下可能让调用栈变深、报错难定位。判断标准是：是否真的需要可复用的检索、记忆、多步编排或工具调用——需要则用框架，不需要就直接用厂商 SDK 更轻量可控。
追问 3：LangGraph 和传统 LangChain Chain 的关系是什么？
LCEL 组合出的链路本质是有向无环、一次性顺序执行，难以表达循环、分支回退和长期状态。LangGraph 把应用建模成"状态图"，节点是步骤、边是转移，天然支持循环、条件分支、人工介入和持久化状态，适合复杂多 Agent 与可中断恢复的工作流。可以理解为：简单链路用 LCEL，需要有状态循环编排时升级到 LangGraph。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习