Skip to main content
LangChain 是开始构建完全由 LLM 驱动的自定义智能体和应用程序的简单方法。 只需不到 10 行代码，您就可以连接到 OpenAI、Anthropic、Google 和 更多。 LangChain 提供预构建的智能体架构和模型集成，帮助您快速入门并将 LLM 无缝整合到您的智能体和应用程序中。
LangChain vs. LangGraph vs. Deep Agents如果您想构建一个智能体，我们建议您从 Deep Agents 开始，它“开箱即用”，具有自动压缩长对话、虚拟文件系统和用于管理和隔离上下文的子智能体生成等现代功能。Deep Agents 是 LangChain 智能体 的实现。如果您不需要这些功能，或者想为您的智能体和自主应用程序自定义自己的功能，请从 LangChain 开始。当您有更高级的需求，需要结合确定性和代理工作流以及大量自定义时，请使用 LangGraph，我们的低级智能体编排框架和运行时。
LangChain 智能体 建立在 LangGraph 之上，以提供持久执行、流式传输、人机交互、持久性等。对于基本的 LangChain 智能体使用，您不需要了解 LangGraph。 如果您想快速构建智能体和自主应用程序，我们建议您使用 LangChain。

​
创建一个智能体

import * as z from "zod";
// npm install @langchain/anthropic 以调用模型
import { createAgent, tool } from "langchain";

const getWeather = tool(
  ({ city }) => `在 ${city} 总是阳光明媚！`,
  {
    name: "get_weather",
    description: "Get the weather for a given city",
    schema: z.object({
      city: z.string(),
    }),
  },
);

const agent = createAgent({
  model: "claude-sonnet-4-6",
  tools: [getWeather],
});

console.log(
  await agent.invoke({
    messages: [{ role: "user", content: "东京的天气怎么样？" }],
  })
);
查看 安装说明 和 快速入门指南 以开始使用 LangChain 构建您自己的智能体和应用程序。
使用 LangSmith 跟踪请求、调试智能体行为并评估输出。设置 LANGSMITH_TRACING=true 和您的 API 密钥以开始使用。

​
核心优势

标准模型接口

不同的提供商有独特的 API 来与模型交互，包括响应的格式。LangChain 标准化了您与模型交互的方式，以便您可以无缝切换提供商并避免锁定。

易于使用、高度灵活的智能体

LangChain 的智能体抽象设计为易于上手，让您只需不到 10 行代码即可构建一个简单的智能体。但它也提供了足够的灵活性，允许您进行所需的任何上下文工程。
https://mintcdn.com/other-405835d4/zfoblcQReEYa-is2/images/brand/langgraph-icon.png?fit=max&auto=format&n=zfoblcQReEYa-is2&q=85&s=4fe8f4c70fe7b1ddc099d7d83148a043

建立在 LangGraph 之上

LangChain 的智能体建立在 LangGraph 之上。这使我们能够利用 LangGraph 的持久执行、人机交互支持、持久性等优势。
https://mintcdn.com/other-405835d4/zfoblcQReEYa-is2/images/brand/observability-icon-dark.png?fit=max&auto=format&n=zfoblcQReEYa-is2&q=85&s=a5ea23e3bf9ca95c33f73f9b2c93339d

使用 LangSmith 调试

通过跟踪执行路径、捕获状态转换并提供详细运行时指标的可视化工具，深入了解复杂的智能体行为。
在 GitHub 上编辑此页面 或 提交问题。
通过 MCP 将 这些文档 连接到 Claude、VSCode 等，以获得实时答案。