LangChain 完成重大融资并发布 1.0 版本从零开始重写框架旨在解决早期大模型开发痛点。通过整合生态提供超过 700 个集成支持多种模型和向量数据库。新版本强调模型无关性和中间件使开发者能更灵活地构建智能体提升可控性和易用性降低开发门槛。任职于 LangChain 的 Julia Schottenstein 发帖表示LangChain 从零开始重写 —— 现在更加精简、更灵活、更强大。各方面都大幅提升。要下决心重写这样一个已经如此普及的框架绝非易事。 现在的 LangChain 围绕循环内的工具调用 Agent 架构构建模型无关性是其核心优势之一。1、 从副业开始的项目LangChain 于 2022 年 10 月左右由机器学习工程师 Harrison Chase 发起。最初是 Harrison 的一个副业当时他大约写了 800 行代码是一个体量不大的单文件 Python 包于同年秋季发布到了他个人的 GitHub 账户hwchase17上。Harrison 自述项目的灵感来源于一次特殊的时期大约在 Stable Diffusion 发布之后、ChatGPT 问世之前的一个月里。他频繁参加各种聚会和技术活动结识了许多利用大模型进行前沿探索的人士。面对工具碎片化和抽象不足的状况通过交流他大致梳理了大家构建项目的一些共性并意识到“将这些共同点抽象分解出来会是一个很酷的副项目。” 后来这个副项目就发展成了今天的 LangChain。最开始的版本包含三个端到端的模块。一个是 NatBot这是 Nat Friedman 开发的 Web 代理。另一个是 LLM Math Chain。第三个是 Self-Ask是一种 RAG 搜索类似于 React 风格的代理。该框架的作用主要是把模型与工具连接起来将多个调用与业务逻辑串联成链条解决了早期大模型开发应用时的一些痛点例如网页搜索、API 调用以及数据库交互等。发布后他持续迭代接入了各种 LLM 和向量数据库等更多集成还提供了更多高级的“模板”使用户仅用 5 行代码就能开始使用 RAG、SQL 问答、提取等功能。随着大模型的火热发展LangChain 很快成为增长最快的开源项目之一。Harrison 于 2023 年 4 月以 Benchmark 领投的 1000 万美元种子轮正式创立公司。一周后他又完成了由红杉领投的 2500 万美元 A 轮融资当时 LangChain 的估值据称已达 2 亿美元。2、 从“拼装学”到工程化一个大模型框架的进化即使是创始人 Harrison 本人现在也很难准确一句话概括 LangChain 到底是什么。在一次播客中他曾这样定义“LangChain 是一个构建 LLM 应用程序的框架但这说法很模糊也不够具体。我认为部分原因在于 LangChain 的功能实在太丰富了所以很难用一句话具体说明。”但就优先级与侧重点而言LangChain 的核心是一个“情境感知的推理型应用框架”。它大体包含两层其一是组件与模块层覆盖提示模板、LLM 与聊天模型抽象、向量存储抽象、文本分割器与文档加载器等。LangChain 本身不提供自有的大模型或向量库但整合了大量外部实现文本分割器与文档加载器等则有自有逻辑均可独立组合。其二是端到端的链与应用层例如文档问答、聊天问答、SQL 问答与“即插即用”的代理等把前述组件按既定流程装配帮助开发者用少量代码快速完成从检索嵌入、合成提示到生成、解析并后处理答案的全流程。在整合生态这件事上团队长期坚持“模型与基础设施中立”的路线。外界曾评价他们“就像开发者领域的瑞士”比如说那时市面上有众多向量数据库彼此都在竞争、争夺嵌入与数据归属而 LangChain 的态度是“我们都支持”。Harrison 认为他们当初最坚定的信念是这个领域还处于非常早期的阶段而且发展非常迅速。因此关于向量数据库将扮演什么角色、会有多少个向量数据库未来发展如何都存在很多不确定性。因此他认为“可选性和可切换性是必须的LangChain 不能被任何技术路线束缚。”除了主流大模型、80 种向量数据库对于“文本分割器Text splitters”这类的组件Harrison 曾表示“我记得我们有大概 15 种我还觉得它们的数量都被低估了。”据 2024 年 10 月的数据显示LangChain 里有总计超过 700 个不同的集成。这其中包括 10 大类组件每一类里通常有 30 到 100 个集成。这个领域有非常多不同的技术触点而 LangChain 的定位就是连接这些触点的“粘合剂”。而且他们还提供了 Python 和 TypeScript 两种版本。这背后是大量艰苦的适配与集成工作——尤其是在团队仅约 10 人的阶段2023 年 7 月的时候团队只有 6 个人随后两个月增加到 10 人上下仍投入了可观的时间去打通各种不同的组件以保证开发者随取随用、自由组合。然而在这种高速集成的情况下项目也积攒了不少问题Harrison 透露“那时我们有大约 2,500 个未解决的问题或类似的Bug还有 300 或 400 个待处理的 PR。”到了 2023 年夏天LangChain 团队开始接收到大量负面反馈。其中有些问题尚能修复比如防止破坏性更改、显式化隐藏的提示词、解决安装包臃肿、依赖冲突以及文档过时等。然而有一项反馈更难处理——用户希望获得更高的控制权。虽然 LangChain 一直是开发者快速入门的最佳选择但团队为此牺牲了部分定制化能力以换取易用性。最初LangChain 中那些让用户快速上手的高层级接口现在反而成了开发者试图进行定制化并推向生产环境时的阻碍。为了解决这一痛点LangChain 团队于同年夏天开始开发 LangGraph并在 2024 年初正式推出。LangGraph 允许开发者以更底层的方式编排每一步智能体逻辑包括记忆管理、人类在环human-in-the-loop以及持久化执行的长任务管理。例如Replit 在几个月前发布的智能体就是基于 LangGraph 和 LangSmith 构建的。值得一提的是LangSmith 是 LangChain 生态中的一款闭源工具专注于 LLM 运维领域主要提供可观察性和监控功能同时也是该公司的主要收入来源。目前LangChain 公司有三条主要产品线工作侧重点各有不同。在 LangChain 开源方面核心工作是生态系统的规模化管理需要与大量的合作伙伴进行协作。在 LangGraph 方面当前许多工作聚焦于可扩展性以及智能体的集成开发环境IDE与调试能力的提升。而在 LangSmith 方面随着承载的生产工作负载持续增加团队会继续致力于推进其可扩展性。截图来源https://js.langchain.com/docs/introduction/3 、重写 LangChainLangChain 在三年前发布时其功能主要围绕着各种集成和高层接口展开。当时集成范围还比较有限模型端主要集中在 OpenAI、Cohere 和 Hugging Face 这几家而围绕模型、向量库、文档加载器等核心积木LangChain 都提供了相应的组件与集成。另一块是高层接口它让用户可以非常容易地上手比如实现 RAG 或 SQL 问答只需短短五行代码。团队当时判断行业所处阶段决定了 LangChain 的首要目标让开发者“尽快用起来”。随着生态成熟、原型走向生产关注点随之转移。以发布一年半后的 LangGraph 为例它瞄准了两个核心可控性与内建的运行时。其一在生产环境中开发者需要更强的自定义与边界控制“五行代码做 RAG”背后隐含了大量默认前提如隐藏提示与所谓“上下文工程”有利于入门却不利于深度定制与规模化稳定。其二运行时层面团队沉淀出三项关键设计可持久的执行环境局部出错不致整次作废、检查点恢复运行中缓存应用状态以便回溯与重启、以及将流式交互作为一等公民支持长任务的实时进度与互动。当年团队在构建 LangChain 时像流式输出、人类在环这类能力并非一开始就具备而是后来“回填”进去的。几个月前他们开始重新审视 LangChain并决定全面重写。这一重大决策也深受 LangGraph 开发过程的影响在 LangGraph 的开发过程中团队曾反思为何某些在原型期易于实现的功能在生产环境中却难以落地。基于此他们从架构层面提出核心要求即运行时必须原生支持“人类在环”等关键能力——这也正是 LangGraph 的核心目标之一。这些经验与要求直接奠定了重写的技术方向团队最终决定以 LangGraph 为底座对 LangChain 进行彻底的架构重构。两年来整个行业里已经冒出了一堆围绕“智能体构建”的框架但基本收敛在“智能体 工具调用循环tool-calling loop”这个概念上。因此新版 LangChain 1.0 为平衡“强可控性”与“低门槛”提供了统一的create_agent 抽象让开发者用少量代码即可起步快速搭建经典的“模型—工具调用”循环。该抽象既延续了早期 LangChain 0.0.8 的 “chat agent executor” 范式也吸收了 LangGraph 社区广泛使用的 “create_react_agent” 经验在一致性与易用性上进一步收敛。此外LangChain 1.0 还添加了一个新的中间件概念这也是此次重写的关键抓手。这种中间件模式允许开发者在“核心智能体循环”的任意位置插入额外逻辑使主循环更易扩展到各类场景例如它可以在模型调用前自动总结历史对话以支持长时运行带来的超长上下文或者在高风险或高成本的工具调用处通过添加 Hook钩子的方式启用人类在环Human-in-the-loop审批。LangChain 团队表示“我们非常认可在整个智能体循环周围添加钩子的这种范式。因此我们也让大家非常容易去构建自定义的中间件。” 团队进一步指出如果想要定制动态提示词dynamic prompt或动态工具dynamic tools同样可以通过中间件来实现。“我们认为这正是将 LangChain 作为一个智能体框架区别开来的地方中间件中内建的可定制化能力。”而且借助动态模型中间件dynamic model middleware系统还可以基于上下文动态选择要使用的模型从而将“模型无关性”落到工程实处。如今已非“单一模型通吃”的时代写代码去找 Anthropic推理reasoning去找 OpenAI多模态去找 Google。某种意义上每家模型都显现出了自己的专长领域。团队强调“在我们与开发者交流时模型之间的可选性本来就是 LangChain 的初心之一。能够启用这种可选性才是你在智能体构建上保持最前沿的方式。”中间件让系统可在对话生成或下一步循环中按需切换模型于能力与成本之间取得更优解。“create_agent middleware API是把‘上下文工程’真正落地为可操作抽象的首次清晰尝试。”在产品层面LangChain 1.0做了四项系统升级引入更规范的content blocks在不同模型间统一输入 / 输出结构精简代理选项仅保留经过官方打磨与背书的实现降低选择与调参成本提出middleware以强化可控性与“上下文工程”全面运行在 LangGraph runtime 之上原生支持持久化、检查点恢复、人类在环与有状态交互等生产级需求。整体而言LangChain 1.0 在延续“易上手”的同时将 LangGraph 的生产级能力下沉到框架层更标准的内容结构、更克制的代理组合、更可编排的中间件体系以及对人类在环与有状态交互的原生支持构成了这次重写的核心价值。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】