学习LangChain这一本就够了！LangChain项目贡献者莫尔索新作重磅上市

在 AI 领域，每天都有新技术和框架出现，作为一个开源框架，LangChain 提供了构建基于大模型的 AI 应用所需的模块和工具，大大降低了 AI 应用开发的门槛，使得任何人都可以基于 GPT-4 等大模型构建自己的创意应用。

菜鸟Java码农

1087人浏览 · 2025-04-21 11:13:46

菜鸟Java码农 · 2025-04-21 11:13:46 发布

LangChain 框架的爆火

LangChain 作为开源项目首次进入公众视野是在 2022 年 10 月，这个项目很快在 GitHub 上获得大量关注（如图1），进而转变成一家迅速崛起的初创企业，LangChain 作者 Harrison Chase 也自然成为这家初创企业的 CEO。

尽管 LangChain 在早期没有产生收入，也没有明确的商业化计划，却在短时间内获得 1000 万美元的种子轮融资，紧接着又获得 2000万美元~ 2500万美元的 A 轮融资，估值约为 2 亿美元，LangChain 的快速崛起和获得的资本支持，表明了 AI 领域对于创新工具和平台的迫切需求，以及对于能够推动 AI 技术应用和开发的工具的高度认可。

图1：LangChain在GitHub上的Star数变化趋势

LangChain 的特性

LangChain 作为一种大模型应用开发框架，针对当前 AI 应用开发中的一些关键挑战提供了有效的解决方案，概述如下。

数据时效性：GPT-3.5 等模型的训练数据截止于 2021 年 9 月，LangChain 可以通过集成外部知识库和向量数据库，允许开发者将最新的数据和信息注入模型中，从而提高应用的时效性。
token 数量限制：LangChain通过优化提示词和链的管理，帮助开发者突破模型 token 数量限制，例如通过分块处理长文档，或者使用特定的提示模板来引导模型生成更有效的输出。
网络连接限制：尽管 GPT-3.5 本身无法联网查询，但 LangChain 可以作为中间件，帮助开发者将模型与实时数据源连接起来，例如通过 API 调用获取最新的信息，然后将这些信息作为输入传递给模型。
数据源整合限制：LangChain 支持与多种数据源的整合，包括私有数据库、API 和其他第三方工具，这使得开发者能够构建更加灵活和多样化的应用，充分利用不同数据源的优势。

LangChain 的这些特性不仅提高了开发者的工作效率，还促进了产品的快速迭代和创新。通过降低基础架构搭建的复杂性，LangChain 让开发者能够专注于核心业务逻辑和用户体验的优化。此外，LangChain 的多语言支持和社区贡献，进一步证明了其作为一个开源代码项目的活力和包容性，吸引了更广泛的开发者参与和贡献。

与其他框架的比较

既然 LangChain 的能力这么强，那是不是会有其他相似的框架来和它争抢开发者呢？答案显然是肯定的。在目前的业界共识中，基于大模型的业务主要分为三个层次。

基础设施层：这一层次专注于构建和提供大模型的底层架构。这通常包括大规模的数据处理和存储能力、用于模型训练的计算资源，以及提供模型即服务（MaaS）的API，目标是提供稳定、可扩展且性能优越的语言模型服务。
垂直领域层：在基础设施层之上，垂直领域层使用领域特定数据对模型进行微调，使其在特定垂直市场或行业（如医疗、法律、金融等）中的表现更精确和有效。微调可以帮助模型更好地理解和生成与特定领域相关的语言和概念。
应用层：在此层次中，开发者和公司构建具体的面向用户的产品和服务。这些应用将大模型的能力转化为用户可以直接与之交互的工具和平台，比如聊天机器人、内容生成工具、自动编程助手等。应用层的重点在于用户体验和接口设计，使非技术用户也能轻松利用大模型的能力。

LangChain 等工具旨在简化这些层次的集成，帮助开发者快速开发和部署基于大模型的应用。它们提供了预建组件、模板和接口，以加速从概念验证到生产部署的过程。这种框架的实用性在于减少开发时间和降低技术门槛，因此市场上的竞争日益激烈。

通过 GitHub 上的贡献者数量、引用数以及 Star 数（如图3）这三项数据，以及编程语言兼容性，对 4 种框架进行了简单比较。

LangChain 显然是这一组中社区最活跃的框架，拥有最多的贡献者和较高的引用数。它的 Star 数也相当高，这表明它在开发者中广受欢迎并具有较高的认可度。
SK 贡献者数量相对较少，是一个新兴框架，相对较少的 Star 数意味着它的社区影响力和知名度不如 LangChain，没有获取到引用数信息，但是在编程语言支持方面比较优秀，可以覆盖更多的开发者群体。
LlamaIndex 虽然在贡献者数量上不及 LangChain，但社区活跃度很高，并且可以直接作为 LangChain 的检索模块使用，是开源社区中最有影响力的检索增强生成引擎。
AutoGPT 在 Star 数方面远超其他框架，这个项目在验证大模型驱动的智能代理概念方面引起了极大的关注，其独特的功能和应用前景吸引了大量有兴趣的潜在开发者。

　表1：LangChain、SK、LlamaIndex 和 AutoGPT 相关数据比较

图3：LangChain、SK、LlamaIndex 和 AutoGPT 在GitHub上的Star数变化

如何快速上手LangChain

如此强大的 LangChain，如何掌握核心知识点，并且快速上手学习。不得不提这本《LangChain编程：从入门到实践》，它可以全方位地帮助你。

《LangChain编程：从入门到实践》

李多多（@莫尔索）| 著

作者手把手教你利用 LangChain 简化大模型应用开发，全书共分为 10 个章节，包括以下核心内容：

深入解析 LangChain 六大组件：模型输入/输出、检索、链、记忆、代理与回调，全方位掌握核心功能。
实战案例：从 0 到 1 构建多模态智能机器人，理论结合实践，轻松开启大模型应用之旅。
配套丰富：随书附赠详尽示例代码，快速上手，轻松驾驭大模型技术。
轻松入门：讲解细致入微，学习路径清晰明了，与时俱进，助你成为大模型应用开发达人。

不管你是新手还是在使用 LangChain 的过程中遇到过困难，这本书都能给你帮助。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望