LangChain 是最容易的方式去开发创建llm增强的agents和应用。仅仅只需要十几行代码就可以连接OpenAI， OpenAI, Anthropic, Google, and more.  LangChain 提供了一个预构建（pre-built）agent架构和模型集成，帮助你快速开始，并无缝地将大型语言模型（LLMs）整合到你的agents和应用程序中。

如果想要快速创建agent和自动化应用，推荐使用LangChain。当你有更高级的需求，需要结合确定性工作流和代理工作流、大量的定制以及精确控制延迟时，可以使用 LangGraph，这是我们低级别的代理编排框架和运行时（ runtime）。

LangChain agents 构建在LangGraph 之上，提供了持久执行、流streaming,人机交互 human-in-the-loop, 持久化persistence, 等等更多。 基础LangChain agent 的使用的话，可以不需要了解LangGraph 。

安装

pip install -U langchain
# Requires Python 3.10+

创建一个agent

# pip install -qU "langchain[anthropic]" to call the model

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# Run the agent
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

阿里百炼大模型集成

from pprint import pprint

# pip install -qU "langchain[anthropic]" to call the model

from langchain.agents import create_agent
         # 百炼 LLM
from langchain_community.chat_models.tongyi import ChatTongyi
# 1. 选模型（百炼目前支持 qwen-turbo、qwen-plus、qwen-max 等）
chatLLM = ChatTongyi(
    api_key="sk-3**********************a",
    model="qwen-plus",   # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    streaming=True,
    # other params...
)

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model=chatLLM,
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# Run the agent
resp = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

pprint(resp)

阿里通义千问支持两种Chat Model的创建方式。

OpenAI 和  DashScope

pip install langchain_openai

from langchain_openai import ChatOpenAI
import os

chatLLM = ChatOpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",  # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    # other params...
)
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "你是谁？"}]
response = chatLLM.invoke(messages)
print(response.json())

pip install langchain-community
pip install dashscope

from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage

chatLLM = ChatTongyi(
    model="qwen-plus",   # 此处以qwen-plus为例，您可按需更换模型名称。模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    streaming=True,
    # other params...
)
res = chatLLM.stream([HumanMessage(content="hi")], streaming=True)
for r in res:
    print("chat resp:", r.content)

核心优势

标准模型接口

不同的供应商有自己的一套大模型交互APIs，包括回复的格式。LangChain标准化了你如何和模型交互，这样你就可以丝滑切换供应商接口。

使用简单，高度扩展的agent

LangChain的agent抽象设计使得你很容易开发一个简单agent，仅需要10行代码。但是它也会提供足够的灵活性做你想要的有上下文的工程。

构建在LangGraph之上

LangChain的代理构建在LangGraph之上，让我们可以利用LangGraph优势：持续执行，人机交互，持久化等。

用LangSmith来Debug

使用可视化工具来跟踪执行路径、捕获状态转换，提供详细运行时度量metrics，可视化工具可以更深入观察复杂agent的行为。

以编程的方式使用文档

The LangChain docs MCP server is available at:https://docs.langchain.com/mcp

使用VSCode 的MCP -doc文档

{
  "mcpServers": {
    "docs-langchain": {
      "url": "https://docs.langchain.com/mcp"
    }
  }
}