LangChain 是使用最广泛的 LLM 应用框架，这意味着你会在教程、职位描述和现有代码库中遇到它。它也是有争议的——批评者认为它在简单 API 调用之上增加了不必要的抽象。理解 LangChain 的功能（以及何时使用它与直接 API 调用）有助于你做出明智的架构决策。
LangChain 的核心抽象：Models（LLM 提供商的统一接口）、Prompts（带变量的模板）、Chains（LLM 调用和处理步骤的序列）、Agents（决定使用哪些工具的 LLM）、Memory（对话状态管理）和 Retrievers（连接向量数据库和其他数据源）。这些可以组合：RAG 链通过提示模板将检索器连接到模型。
LangChain 在开发者社区中存在分歧。支持者看重统一的抽象、广泛的集成和快速的原型开发。批评者认为抽象是有漏洞的（你仍然需要理解底层 API）、代码难以调试（你和 API 调用之间有太多层），而且简单的应用直接使用 API 调用会更好。共识似乎是：LangChain 适合原型开发和复杂的多步工作流，但简单应用通常不需要它。
LangChain 生态系统已扩展到核心库之外。LangGraph 以状态机的形式处理复杂的智能体工作流（对于多步智能体来说比线性链更好）。LangSmith 提供可观测性——LLM 应用的追踪、评估和监控。该生态系统解决了真实需求，但完整技术栈的复杂性对于需要在生产环境中维护和调试这些系统的团队来说是一个合理的顾虑。