LangChain

快速结论

LangChain 仍是模型、工具和数据集成最广的 Agent 开发生态之一，但 2026 年的正确理解已不是“所有 LLM 功能都塞进一个 chains 包”。当前 LangChain 以 create_agent 为核心，提供可配置的 Agent harness：模型、工具、系统提示和 middleware 组成循环；它的 Agent 在底层使用 LangGraph，从而获得持久执行、状态、人工介入等能力。需要自行设计确定性节点、复杂分支、长任务恢复时，应直接使用低层 LangGraph。需要 traces、在线/离线评估、数据集、告警或托管部署时，使用的是独立商业平台 LangSmith。三者能协同，但许可证、部署和费用边界不同，不能把 LangSmith 的生产能力写成开源 LangChain 自带功能。

核心功能

• 统一模型接口：Python 与 JavaScript/TypeScript 可接 OpenAI、Anthropic、Google、本地模型等，并以相近调用方式切换。
• Agent harness：create_agent 组合模型、工具、提示和 middleware，可按需增加 guardrail、重试、路由、上下文压缩和工具策略。
• 集成生态：模型、embedding、vector store、retriever、loader 与工具分包维护，避免核心包装入全部依赖。
• 结构化输出与流式事件：适合工具调用、数据抽取和对外流式响应，但业务 schema 校验和失败补偿仍应显式设计。
• LangGraph 边界：LangChain Agent 已构建在 LangGraph 上；只有需要低层状态图、确定性与 agentic 混合编排时才直接写 Graph。
• LangSmith 边界：可追踪模型调用、工具、状态转换、延迟和错误，建立数据集与 evaluators；也提供 LangSmith Deployment。它可观察非 LangChain 应用，不是开源框架的必选依赖。
• Deep Agents：官方更高层的 batteries-included 包，提供规划、子 Agent 和文件系统；不应与基础 LangChain harness 混为同一抽象层。

适合人群

适合要快速接多家模型和工具，同时保留逐步下沉空间的 Python/TypeScript AI 工程团队。若项目从简单工具 Agent 开始，未来可能加入状态、审批与评估，LangChain 到 LangGraph/LangSmith 的路径较顺。它不适合只调用一次模型的接口、对依赖体积和尾延迟极端敏感的服务，或团队不愿跟踪快速变化的包版本。已有明确状态机的工作流可以直接用普通代码或 LangGraph，不必为了品牌先套一层 LangChain。强数据解析项目也应先比较 LlamaIndex。

使用场景

• 构建带工具、middleware、结构化输出和多模型切换的产品 Agent。
• 将检索器作为 Agent 工具，组合企业搜索、SQL、内部 API 与人工审批。
• 用 LangGraph 执行可暂停、恢复、循环和分支的长任务，并保留 checkpoint。
• 用 LangSmith traces 定位某次工具选择、模型耗时和状态转移，再以数据集做离线回归。
• 在模型或 provider 变化时，通过统一接口降低替换成本，但仍对 provider 特性做集成测试。

价格与版本

官方 2026-07 定价中，base trace 超额为每 1,000 条 2.50 美元、保留 14 天；extended trace 为每 1,000 条 5 美元、保留 400 天。Plus 的额外 Deployment run 为 0.005 美元/次，生产 deployment uptime 为 0.0036 美元/分钟，开发环境为 0.0007 美元/分钟。模型费用始终由模型供应商另收。价格项目多且会更新，生产预算应以实时页面和实际 trace 采样策略为准。

国内访问与使用体验

开源包和自托管应用可在国内环境运行，但官网、LangSmith Cloud 及常用海外模型服务可能存在可达性差异，因此 needsVPN: true。该字段仅提示访问风险。可选择国内可用模型、Ollama 等本地推理和自有 vector store；Enterprise 才提供 LangSmith hybrid/self-hosted 选项，不能假设免费或 Plus 用户能把完整 LangSmith 部署在本地。中文效果主要由模型、embedding、分词、文档切分和评估集决定，框架本身不会自动保证中文 RAG 质量。

优点

• 集成面广，模型与基础设施更换时通常不必重写整个应用。
• 从高层 harness 到低层 LangGraph 有清晰下沉路径，原型和复杂编排不必完全换栈。
• LangSmith 在 traces、数据集、评估和部署上形成较完整的生产反馈环。
• Python 与 TypeScript 都有活跃实现，团队和资料生态成熟。
• OSS 为 MIT，核心执行不强制绑定 LangSmith Cloud。

不足

• 产品命名与历史教程复杂：旧 Chain、Memory、AgentExecutor 示例可能已经不是当前推荐 API。
• 抽象会遮蔽 provider 的缓存、批处理、工具 schema 与流式事件差异，真正换模型仍需测试。
• LangSmith 使用越深，trace schema、数据集、部署和工作流运维的迁移成本越高；这是商业平台锁定而非 OSS 必然锁定。
• 可观测不等于正确。收集全部 traces 可能增加成本与敏感数据风险，仍需脱敏、采样、retention 和质量指标。
• LangSmith Deployment 能降低运行时工程量，但生产环境仍需容量、权限、故障恢复、模型限流和成本控制。
• 对一个简单、稳定的确定性流程，框架层可能增加依赖、调试路径和升级负担。

替代品对比

常见问题 FAQ

LangChain、LangGraph 和 LangSmith 是什么关系？

LangChain 是高层 Agent/LLM 框架；LangGraph 是低层、可持久化的编排框架；LangSmith 是商业可观测、评估和部署平台。LangChain Agent 底层使用 LangGraph，但 LangSmith 可观察其他框架。

新项目应该直接使用 LangGraph 吗？

只有当你明确需要自定义状态图、确定性节点与 Agent 节点混合、复杂暂停恢复时。一般工具 Agent 先用 create_agent 更省代码。

不买 LangSmith 能否生产部署？

可以。LangChain 和 LangGraph 是 MIT 开源库，可部署在自己的服务中；但 tracing、评估、API 服务、扩缩容和运维要自行组合。

LangChain 能真正无成本切换模型吗？

不能保证。接口统一减少改造量，但工具调用、上下文、结构化输出、缓存、价格和限流行为仍有 provider 差异。

LangSmith 会训练我的数据吗？

官方定价 FAQ 表示不会用客户数据训练模型；团队仍应按自身合规要求配置脱敏、访问控制、区域和 retention。

LangChain 适合纯 RAG 吗？

可以，但若主要难点是复杂 PDF、解析、索引同步和检索调优，应同时评估 LlamaIndex。

谁不应该使用 LangChain？

只有一两个固定 API 调用、追求最低依赖与延迟，或没有资源维护快速演进依赖的团队不应默认引入。

总结

LangChain 的优势不是“一个库包办生产”，而是从统一集成和高层 Agent harness 起步，并可向 LangGraph 的耐久编排、LangSmith 的 traces/评估/部署扩展。采用时应把三个产品分别做架构、许可证和成本评审。需要最大生态与渐进式复杂度时它仍是强选项；需要一体化私有运行时可看 Agno，数据与文档是核心则看 LlamaIndex。