日常交流下来，发现很多人对 LangChain 的印象还停留在一个「功能臃肿、过度抽象」的 AI 应用开发框架，这是一种常见的误解。事实上，自 0.3 版本起，LangChain 框架本身已经变得更加轻量和高效。更重要的是，LangChain 不只是一个开发框架，它代表了一整套完整的 AI 应用开发解决方案，涵盖了从原型设计、Beta 测试到生产部署的全流程，已被 Replit、Lovable 等知名 AI 产品所采用。

LangChain 生态系统包含七个关键工具，能够高效支持 AI 应用的构建。无论是基于规则的工作流（使用 LangChain）、具备复杂状态管理的 Agentic 工作流（结合 LangChain 与 LangGraph），还是完全自主的 Agent 模式（使用 LangGraph），都能找到相应的工具支持：

• 使用 LangChain CLI 创建标准化项目结构：pip install langchain-cli
• 利用 LangChain 核心框架快速进行原型开发：pip install langchain
• 通过 LangServe 快速启动应用 API 服务：pip install "langserve[all]"
• 使用 LangSmith 实现 AI 应用的可观测性、评估与生产监控：pip install langsmith
• 通过 LangGraph 实现复杂智能体工作流的编排：pip install langgraph
• 使用 LangGraph Studio 进行智能体工作流的可视化设计
• 利用 LangGraph Platform 实现智能体工作流的生产部署

LangChain 早期版本通过“链”的概念，将 AI 应用中的基础模型、提示模板、外部数据和 API 工具等组件模块化串联，提供了高度灵活的设计能力。这种架构激发了开发者社区的广泛集成，使 LangChain 成为功能全面、生态丰富的 AI 开发“瑞士军刀”。随着 Agentic 工作流的兴起，LangChain 团队推出了 LangGraph，采用更灵活的状态图模型，以应对包含循环、条件判断和状态控制等复杂逻辑的智能体任务。

LangChain 通过其两大开源框架 —— LangChain 和 LangGraph，以及两款商业化工具 —— LangSmith 和 LangGraph Platform，支持企业级 AI 应用的构建。其中，商业化工具已被用于多家知名 AI 产品的生产环境托管，而开源框架则广泛受到大型企业的采纳。以下是一些典型的企业级 AI 应用案例。

字节跳动开源的 DeerFlow 是一个成熟的通用 Agent 类工具，在 GitHub 上已获得 15,700 颗 Star。其项目依赖通过 pyproject.toml 配置，核心基于 LangChain 与 LangGraph 构建。

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 架构图，使用 LangGraph 自带的工具可以直接导出（print(graph.get_graph().draw_mermaid())）。

谷歌开源的 gemini-fullstack-langgraph-quickstart 项目在 GitHub 上获得 15,900 颗 Star🌟，展示了如何构建一个高度完善的深度研究（Deep Research）类产品，核心基于 LangGraph 。

以下是阿里云大模型服务平台“百炼”的应用观测功能截图。

对比来看，LangSmith 提供了指标（metric）、追踪（trace）和日志（log）等核心能力，百炼的应用观测功能正是对标 LangSmith 的设计，旨在支持生产环境中 AI 应用的全面监控与分析。

最近，AI 领域值得关注的一个事件是，在 C 端用户中广受好评的扣子平台宣布开源。其中，广受好评的 Coze Loop（扣子罗盘）的观测机制，借鉴了 LangChain 的设计理念。根据官方文档 的说明，「扣子罗盘基于 LangChain 的 callback 机制，提供一键集成能力，可自动完成 Trace 数据的上报」。以下示例展示了如何在 LangChain 的 LCEL 模式中无缝集成扣子罗盘的 Trace 功能，从而实现对 AI 模型调用过程的监控与分析。

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环境变量os.environ['COZELOOP_API_TOKEN'] = '{your_token}'os.environ['COZELOOP_WORKSPACE_ID'] = '{your_workspace_id}'# 创建cozeloop clientclient = cozeloop.new_client()# 注册callbacktrace_callback_handler = LoopTracer.get_callback_handler(client)llm_model = ChatOpenAI()lcel_sequence = llm_model | StrOutputParser()output = lcel_sequence.invoke(input='用你所学的技巧，帮我生成几个有意思的问题',config=RunnableConfig(callbacks=[trace_callback_handler]))print(output)# 程序退出前，需要调用Close方法，否则可能造成trace数据上报丢失。Close后无法再执行任何操作。client.close()if __name__ == "__main__":do_lcel_demo()

类似的案例还有很多，这里不再一一列举。关于如何开发可观测性插件与企业自有 IT 系统集成的实现方法，我已在第一版中进行了详细介绍，第二版会从设计角度进行更详细的论述。

需要再次强调，本书第二版的关注点不局限于 LangChain 框架本身，而是能够从 LangChain 全家桶中的各类工具设计思想出发，探讨企业级 AI 应用的构建过程以及 AI 工程化的最新最佳实践。尽管市面上存在众多可替代的框架、工具和产品，LangChain 的优势在于能够提供 Agent 应用从设计、开发、评估、部署到监控的完整实践路径。通过这一路径，读者可以先动手实践，再结合自身的积累与判断力，去评估甚至设计更优秀的框架。在此基础上，读者将能更清晰地辨别其他框架在设计上的优劣，深入理解其组件背后的设计原则，最终成长为合格的 Agent 应用开发者或 Agent 平台架构师。

Claude Code 最新推出的 Subagents（子智能体） 功能，是指预配置的 AI 角色，专为执行特定任务而设计，具备独立的上下文窗口和定制的系统提示，有助于提高任务处理效率。从设计角度来看，Subagents 与 LangGraph 中的 Subgraphs（子图） 相似：子图本质上是嵌套在另一个图中的图，作为其中的一个节点使用。

该功能适用于以下场景：

1. 构建多智能体系统：适用于在复杂系统中引入多个独立的任务处理单元。
2. 代码复用：当多个流程图中需要重复使用一组具有共同状态的节点时，可将这些节点封装为子图，并在多个父图中调用。
3. 团队协作：在不同团队需独立开发流程图的不同部分时，可将每个部分定义为一个子图。只要保持子图接口（即输入和输出格式）一致，父图即可在不了解其实现细节的前提下进行构建。

在多个子智能体之间如何实现平滑协作？LangGraph 提供了一种称为 交接（Handoff） 的机制。其核心思想是：当某个智能体无法独立完成任务时，可将对话流转交给更合适的智能体，而用户无需重复描述问题。这一概念也体现在 OpenAI Agents SDK 的设计中。

此外，在涉及人机协作（Human-in-the-loop）的场景中，如何在适当时机通知人工介入，以及智能体如何从故障中恢复等问题，LangGraph 也提供了相应的机制设计。

HumanLayer 创始人 Dex Horthy 借鉴了「12-Factor App」的理念，提出了「12-Factor Agents」原则（相关视频）。其核心思想是：将 Agent 视为软件，将 LLM（大语言模型）视为可调用的纯函数，开发者应掌控整个流程。LLM 的作用是生成结构化的 JSON 输出，由确定性代码解析并执行，而不是隐藏在抽象的“工具调用”背后。Agent 的核心控制逻辑，包括循环与分支判断，应由开发者编写代码实现；LLM 仅负责决定“下一步该做什么”。流程的执行、中断与重试等操作，均由开发者编写的逻辑控制。

LangChain 可能从其早期框架设计中吸取了“过度抽象、封装过重”的教训。其后续推出的 LangGraph，成为目前开源 Agent 框架中控制最灵活、自由度最高的一个。我在这篇文章中曾深度分析过包括 OpenAI 的 Agents SDK、Google 的 ADK、Crew AI、Agno 和 AutoGen 等主流框架的设计思路。使用 LangGraph 构建 Agent 时，开发者可以完全掌控流程的执行、中断与重试。

此外，LangGraph 支持显式且统一地管理 Agent 的运行状态与业务状态（如对话历史），并将这些状态存储在数据库中。通过简单的 API，即可实现 Agent 的启动、暂停与恢复，非常适合处理长周期任务。

在介绍完 LangChain 生态之后，我们来看看本书第二版的变化。本书的标题《LangChain 编程：从入门到实践》在第二版中更具现实意义。如果说第一版中的“从入门到实践”是指“有一个想法，然后用 AI 实现并上线一个演示版本”，那么第二版的“实践”则意味着“从一个想法出发，构建出一个可支持百万用户访问的工具，并能持续收集反馈、进行测试与迭代的高效 AI 智能体应用”。那么，第二版具体有哪些更新呢？

1. 移除已废弃的 Chain 编程接口内容：由于 Chain 接口已被官方弃用，本书第二版不再介绍 LangChain 早期版本中提到的“六大模块/组件”相关内容，这些内容已过时。
2. 移除旧版记忆组件示例：如 ConversationBufferMemory、ConversationStringBufferMemory 等旧式记忆组件已被淘汰，相关内容已删除。记忆功能现在统一通过 LangGraph 中自定义的 Memory 模块进行管理。
3. 新增对 LangGraph 的详细讲解：本书第二版新增了对 LangGraph 这一 Agent 编排框架的详细介绍，以及与其他主流 Agent 框架的对比分析。
4. 全面迁移至 Pydantic 2：所有代码示例均已更新至 Pydantic 2 标准，并兼容 langchain_core 的最新版本。
5. 所有案例重构为 LangChain 新模块结构：随着 langchain 主包的拆分，本书代码已根据新的模块结构进行重构，包括：
   • langchain-core：包含核心抽象（如聊天模型）、可运行性与可观测性工具；
   • langchain：通用逻辑实现，适用于多种接口实现的通用代码（如 create_tool_calling_agent）；
   • langchain-community：由社区维护的第三方集成；
   • langchain-[partner]：针对特定热门集成（如 langchain-openai、langchain-anthropic）的官方支持包，通常具备更高的稳定性与维护优先级。
6. 支持 LangChain 0.3 版本：全书代码示例和讲解均基于 LangChain 最新 0.3 稳定版本。
7. 替换为国产模型支持：书中所有案例使用的模型已从 OpenAI 的 GPT 系列更换为国内主流模型，包括通义千问的文本嵌入模型、DeepSeek-V3 和 DeepSeek-R1。
8. 新版更多内容介绍请参考图灵编辑部专题文章：《LangChain 学习必备，从入门到实践的全新版指南！》