LangChain 是 GitHub 138K+ Star 的开源 AI 智能体框架，由 LangChain, Inc. 开发维护。提供 LangChain（链式 LLM 调用）、LangGraph（图状 Agent 编排）、LangSmith（可观测性与评估）三大产品，是构建 AI Agent 和 RAG 应用的事实标准之一，支持 Python 和 JavaScript/TypeScript。

LangChain — 开源 AI Agent 工程平台

核心参数与统计

参数	详情
GitHub Stars	138,485+（截至 2026 年 6 月，langchain-ai/langchain）
GitHub Forks	22,943+
开源协议	MIT（langchain-core）/ Apache 2.0（部分组件）
最新核心版本	langchain-core==1.4.0（2026-05-11）
支持编程语言	Python、JavaScript/TypeScript
支持 LLM 数量	100+ 主流模型集成（OpenAI、Anthropic、Google、本地模型等）
三大产品	LangChain（框架）/ LangGraph（Agent 编排）/ LangSmith（可观测性）
LangSmith 免费额度	3,000 traces/月
社区集成数量	数百个第三方工具、数据库、向量存储集成
npm/PyPI 下载量	PyPI 月下载量超千万次

LangChain 的核心价值在于提供了 LLM 应用开发的「胶水层」——将模型调用、提示管理、工具集成、记忆管理、链式编排等工程复杂度标准化，让开发者专注于业务逻辑而非基础设施。138K+ Star 表明其已成为 AI 应用开发领域最受认可的开源框架之一。

用户与市场认可

LangChain 已成为全球 AI Agent 和 RAG 应用开发的事实标准框架之一，在 GitHub 上以超过 138K Star 位居 AI 框架榜首区间，PyPI 月下载量超过千万次，证明了其在生产环境中的广泛采用。全球数万家企业和开发团队在生产环境中使用 LangChain 构建 AI 应用，覆盖金融、医疗、法律、电商等多个行业。

LangSmith（商业可观测性平台）已积累大量企业付费客户，为 LangChain, Inc. 提供商业营收支撑。在第三方开发者调查中，LangChain 持续位列「最常用 AI 应用框架」榜单前列，与 LlamaIndex 形成生态互补，共同主导 RAG 应用开发市场。LangGraph 的推出进一步巩固了在复杂 Agent 编排场景的竞争优势，被多家头部 AI 企业（如 LinkedIn、Uber 等）用于内部 Agent 系统建设。

成本优势

产品	计划	价格	主要权益
LangChain（框架）	开源	完全免费	MIT 协议，无使用限制
LangGraph（框架）	开源	完全免费	Apache 2.0，支持本地运行
LangGraph Cloud	托管版	按用量计费	无需自运维，托管 Agent 执行环境
LangSmith	Free	$0	3,000 traces/月，1 个项目
LangSmith	Plus	$39/月/用户	无限 traces，高级过滤与评估
LangSmith	Enterprise	定制报价	SSO、私有化部署、专属 SLA

开源框架本身完全免费，只需承担底层 LLM 的 API 调用费用（取决于所使用的模型供应商）。相比从零构建 LLM 应用的工程成本（调试提示、管理上下文、工具调用逻辑等通常需要数周开发时间），LangChain 可将原型开发周期从数周压缩至数天，间接节省大量人力成本。

主要功能

• LangChain 框架（链式调用）：提供 Chain、Runnable、LCEL（LangChain Expression Language）等抽象，将提示模板、模型调用、输出解析、记忆管理等组件链式组合，构建可复用的 LLM 处理管道。
• RAG（检索增强生成）：内置文档加载器（PDF、HTML、数据库等）、文本分割、向量存储集成（Chroma、Pinecone、Weaviate 等）和检索链，是构建知识库问答系统的标准工具集。
• LangGraph（图状 Agent 编排）：将 Agent 工作流建模为有向图（节点 + 边），支持循环执行、条件分支、多 Agent 协作、中断与人工干预（Human-in-the-Loop），适合构建复杂状态机式 Agent 系统。
• 工具调用（Tool Calling）：标准化封装外部工具（搜索引擎、代码执行器、数据库、API 等）为 LLM 可调用的工具，自动处理工具选择、参数生成和结果反馈的完整循环。
• 多模型支持：统一接口封装 OpenAI、Anthropic Claude、Google Gemini、Mistral、本地 Ollama 等 100+ 模型，切换模型只需更换一行配置。
• LangSmith（可观测性）：自动记录每次 LLM 调用的输入、输出、延迟和 Token 成本，支持对比实验、回归测试和 Prompt 评估，是 LLM 应用进入生产环境的质量保障工具。
• 流式输出（Streaming）：完整的流式响应支持，提升对话类应用的用户体验，减少感知延迟。
• 记忆管理（Memory）：提供多种对话历史管理方案（缓冲记忆、摘要记忆、实体记忆），支持有状态的多轮对话应用。

模型与版本演进

LangChain 经历了从快速迭代到架构稳定的演进过程：

里程碑	版本/时间	变化点
初始发布	v0.0.1 / 2022-10	Chain 抽象 + Prompt 模板，迅速走红
功能爆发期	v0.0.x / 2022-2023	数百个集成，社区贡献爆发，但 API 不稳定
LCEL 引入	v0.1.0 / 2024-01	Runnable 统一接口，链式表达式语言，首个稳定 API
架构重构	v0.2.x / 2024-05	LangGraph 独立，langchain-core 解耦，模块化重构
稳定成熟期	v0.3.x / 2024-09	社区与企业版功能分离，减少破坏性变更
当前版本	v1.4.0 / 2026-05	Agent 接口稳定，LangGraph 深度集成，性能优化

技术优势

抽象分层清晰：LangChain 将 LLM 应用拆解为标准化组件（Model I/O → Retrieval → Agent → Chain），每层可独立替换和测试，工程结构清晰，便于团队协作和代码维护，避免「大泥球」式 AI 应用架构。

LangGraph 的图状编排优势：相比线性 Chain，LangGraph 的有向图模型天然支持循环、条件分支和并行执行，是构建能够自主规划、工具调用、自我反思的复杂 Agent 的最优结构，在 ReAct、Reflection、Plan-and-Execute 等主流 Agent 范式上均有成熟实现。

生态系统护城河：数百个第三方集成（向量数据库、文档加载器、工具等），庞大的社区和丰富的教程资源，使得 LangChain 的「转换成本」随使用深度递增，形成强生态壁垒。

LangSmith 形成闭环：从开发（LangChain/LangGraph）到生产监控（LangSmith）的全链路覆盖，使 LangChain 从单纯的框架升级为完整的 Agent 工程平台，满足企业生产级需求。

如何使用

入口	说明
Python 包	pip install langchain langchain-openai，适合后端 AI 应用开发
JavaScript 包	npm install langchain @langchain/openai，适合 Node.js/全栈应用
LangGraph	pip install langgraph，构建复杂 Agent 编排系统
LangSmith	访问 https://smith.langchain.com，注册后获取 API Key，配置环境变量即可自动追踪
LangGraph Cloud	通过 LangSmith 控制台部署托管 Agent，无需自运维

典型使用步骤（构建 RAG 问答系统）：

1. pip install langchain langchain-openai langchain-chroma 安装依赖。
2. 配置 LLM：from langchain_openai import ChatOpenAI; llm = ChatOpenAI(model="gpt-4o")。
3. 加载文档：使用 PyPDFLoader 等文档加载器导入知识文档，使用 RecursiveCharacterTextSplitter 分割。
4. 构建向量库：将分块文本嵌入向量并存入 Chroma 向量数据库，创建 Retriever。
5. 创建 RAG Chain：用 LCEL 将 Retriever + Prompt + LLM + 输出解析器串联为问答链。
6. 启用 LangSmith 监控：设置 LANGCHAIN_TRACING_V2=true 环境变量，所有调用自动上报。

产品定价

LangChain 采用「开源框架免费 + 云服务按量/订阅收费」的商业模式：

• LangChain/LangGraph 开源框架：完全免费，MIT/Apache 2.0 协议，无使用限制，可用于商业项目。
• LangSmith Free：每月 3,000 次追踪，1 个项目，适合个人开发和小规模测试。
• LangSmith Plus（$39/月/用户）：无限追踪次数，多项目管理，高级过滤、对比实验和评估功能，适合生产环境监控。
• LangSmith Enterprise：定制报价，支持 SSO、审计日志、私有化部署（On-Prem）和专属 SLA，面向大型企业。
• LangGraph Cloud：按托管 Agent 的执行时长和调用次数计费，具体以官方最新定价为准。

应用场景

1. 企业知识库与文档问答（RAG 系统） 技术团队将内部文档（技术手册、合规文件、产品说明书）接入 LangChain RAG 管道，员工通过自然语言问答快速检索知识，LangSmith 实时监控回答质量和 Token 成本，持续优化 Retrieval 策略和 Prompt 效果。

2. 自主 AI Agent 开发 使用 LangGraph 构建能够自主规划任务、调用外部工具（浏览器、代码执行器、数据库）、自我反思修正的复杂 Agent，适合自动化数据分析、代码审查、研究报告生成等需要多步骤推理的任务场景。

3. AI 应用后端服务 开发者使用 LangChain 作为 AI 功能的后端框架，封装复杂的 LLM 调用逻辑为 REST API，为前端应用或微服务提供 AI 能力，利用 LCEL 的流式支持实现低延迟的对话体验。

4. 多模型对比评估 产品团队使用 LangSmith 的实验功能，在同一测试集上对比不同 LLM（GPT-4o vs. Claude 3.5 vs. Gemini 1.5）的回答质量、延迟和成本，基于数据驱动地做出模型选型决策。

适用人群

• AI 应用开发者（Python/JS）：最核心用户群，LangChain 提供了构建 LLM 应用所需的全部工程抽象，大幅减少样板代码，加速从原型到生产的交付周期。
• 企业技术团队：LangGraph + LangSmith 组合提供了企业级 Agent 开发和生产监控能力，满足可观测性、安全性和合规要求。
• AI 研究人员：丰富的模型集成和 RAG 工具集使 LangChain 成为快速验证 AI 应用研究假设的高效工具，无需重复造轮子。
• 不适配场景：对框架依赖持保守态度的团队（LangChain 历史版本 API 变更频繁，曾引发升级痛点）；或者追求极致性能和最小依赖的场景，直接调用模型 SDK 可能更合适；初学者在未理解 LLM 基础概念前直接使用 LangChain 容易增加调试难度。

总结与展望

LangChain 凭借先发优势和庞大的社区生态，确立了 AI Agent 框架领域的标杆地位。三大产品（LangChain + LangGraph + LangSmith）形成完整的 Agent 工程闭环，从框架到可观测性全链路覆盖，商业模式清晰。138K+ Star 和千万级 PyPI 月下载量证明其在开发者社区的强大影响力。

当前局限：历史版本 API 频繁变更积累了一定的社区负面口碑；框架抽象层对初学者存在学习曲线；在超轻量或极简用例下框架开销相对显著；与 LlamaIndex、AutoGen 等竞品的功能重叠带来选型困惑。

后续关注点：LangGraph 在多 Agent 协作场景的深化（特别是与 MCP 协议的融合）、LangSmith 企业版的商业化扩张、API 稳定性的持续改善，以及对新兴模型能力（如原生工具调用、多模态）的适配速度。

版本信息

• langchain-core v1.4.0 ：langchain-core 1.4.0 带来 Agent 底层接口改进、工具调用稳定性提升和新模型适配，配合 LangGraph 最新版持续优化多 Agent 编排性能与可靠性。 （2026-05-11）
• LangChain v0.3 系列 ：重大架构重构，langchain-core 与 langchain-community 解耦，提升模块化程度，减少强制依赖，改善安装体积。 （2024-09）
• LangChain v0.2 系列 ：引入 LangGraph 作为首选 Agent 编排方案，LCEL（LangChain Expression Language）成熟稳定，异步支持全面加强。 （2024-05）
• LangChain v0.1 ：首个稳定 API 版本，引入 LCEL 链式表达式语言，统一 Runnable 接口，奠定后续版本架构基础。 （2024-01）
• LangChain 初始发布 ：Harrison Chase 在 GitHub 发布初始版本，以 Chain 抽象和 Prompt 模板为核心，迅速在开发者社区引发关注。 （2022-10）