2026/7/26

一、LangChain 是什么？项目里干什么
❗注意：LangChain不是大模型，只是一套 Python/JS 开发工具库，用来封装、串联大模型周边逻辑。
核心作用
解决原生 LLM 的短板：大模型本身只会对话，没法读取私有文档、记住多轮对话、自动调用接口、自主上网搜索。LangChain 提供标准化组件，把这些能力拼装成完整应用。
项目中常用核心组件 & 落地场景
Model I/O
统一封装各类大模型 API（GPT、DeepSeek、通义千问、本地 Qwen/Llama 等），切换模型只改一行代码；配套 Prompt 模板、输出解析器（强制 AI 输出 JSON）。
数据连接（RAG 核心）
文档加载器 (PDF/Word/Markdown) → 文本切分 → Embedding 向量化 → 向量数据库存储；快速搭建知识库问答、企业文档机器人。
Memory 记忆
保存对话上下文，实现多轮连续聊天、智能客服。
Chain（链路）
用 LCEL 语法 | 串联多个步骤：
示例 RAG 链路：用户问题 → 检索文档 → 组装 Prompt → LLM 生成答案
Agent + Tools（智能体）
让大模型自己判断什么时候调用工具：联网搜索、查数据库、调用业务 API、执行代码，做自动化智能助手。
常见使用场景
企业知识库问答 (RAG)、聊天机器人、文档摘要 / 信息抽取、数据分析 Agent、智能工单系统。
二、LangSmith 是什么？项目里干什么
LangSmith 是SaaS 云端平台（也可私有化部署），LLM 领域专用可观测平台。
痛点：LLM 应用是黑盒！回答出错时，你分不清：是 Prompt 不行？检索到错误文档？还是模型幻觉？
五大核心能力（项目实战价值）
Trace 全链路追踪（最常用）
自动记录每一次请求完整执行树：
每一步输入、输出、耗时、token 消耗、检索到哪些文档、Agent 调用了什么工具；
你可以点开看：RAG 到底检索了哪几段文本，一眼定位「检索内容不对导致回答错误」。
Debug 调试
复现任意一次失败请求，复制当时完整 Prompt 直接在 Playground 重试，快速迭代提示词。
Evaluation 自动化评测
构建测试数据集，批量跑不同 Prompt / 不同模型做 A/B 对比；
使用 LLM-as-judge 自动打分（相关性、真实性、有无幻觉）；
把主观感受变成可量化指标，避免人工测试。
生产监控
看板查看：调用量、token 成本、响应延迟、异常报错；支持配置告警。
人工反馈收集
允许标注人员对 AI 回答打分，反馈数据回流用于持续优化 RAG/Agent。
补充：LangSmith不只支持 LangChain，原生调用 OpenAI、自定义 LLM 代码也能接入追踪。
三、项目完整协作流程（标准工程流程）
开发阶段
用 LangChain 编写 RAG/Agent 业务代码；开启 LangSmith 追踪，边写边调试，定位链路 bug。
测试迭代
在 LangSmith 创建测试集，对比多版 Prompt、切分策略、检索参数，选出效果最优方案。
上线生产
持续采集线上 Trace，监控成本与错误；收集用户负面回答，定位线上漂移问题。
四、通俗类比
LangChain = 汽车零部件与组装图纸，你用它把发动机 (LLM)、导航 (检索)、传感器 (工具) 拼成整车；
LangSmith = 行车记录仪 + 修理厂诊断电脑，记录每一段行驶轨迹，找出哪里熄火、哪个零件故障，用来持续调校车辆。
五、容易混淆补充（顺带区分 LangGraph）
LangChain：适合线性任务、简单 RAG、普通对话链
LangGraph：LangChain 生态扩展，用来做循环、分支、多轮自修正 Agent（复杂智能体）
LangSmith：无论用 LangChain 还是 LangGraph，都可以接入统一追踪评估
六、极简代码示意感受二者配合
python
运行

开启LangSmith追踪（环境变量配置API Key）

import os
os.environ["LANGSMITH_TRACING"] = "true"

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

LangChain：构建业务链路

llm = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([("human", "回答问题：{question}")])
chain = prompt | llm

执行调用，自动上报整条链路到LangSmith网页后台

chain.invoke({"question":"LangChain和LangSmith区别？"})