官方网站：LangChain
项目地址：https://github.com/langchain-ai/langchain
使用文档：Introduction ~| 🦜️🔗 LangChain
功能
| 项目 | 核心功能 | 用途 | 示例场景 |
| LangChain | 构建基于 LLM 的应用框架 | 模块化组件：提供预构建的模块（如模型调用、记忆管理、数据检索），支持快速组合成链（Chains）、代理（Agents）等结构。 |
多模型支持：集成 OpenAI、Hugging Face、Anthropic 等主流模型，方便切换或对比不同模型效果。
检索增强生成（RAG）：结合外部数据源（如向量数据库）提升生成内容的准确性，适用于知识库问答、文档摘要等场景。
对话管理：内置对话历史跟踪功能，支持多轮交互应用（如聊天机器人）。|快速搭建一个客服机器人，结合内部文档检索和 GPT-4 生成回答。
开发自动化数据分析工具，调用 LangChain 链处理 CSV 文件并生成报告。
| LangSmith | 基于图结构的工作流编排 | 复杂流程建模：用节点（Node）和边（Edge）定义多步骤、有条件分支或循环的任务流程（如审批系统、多阶段推理）。 |
状态管理：动态维护任务状态，支持长周期、有状态应用（如持续对话需跟踪上下文）。
并行与异步：优化多任务并行执行效率，适用于需调用多个 API 或处理大量数据的场景。
容错与重试：内置错误处理机制，可定义失败节点的回退策略。|构建一个自动化招聘系统，根据简历分析结果分支到不同面试流程。
实现多模型协作的工作流（如先用 GPT-4 生成草稿，再用 Claude 优化风格）。
| LangGraph | LLM 应用的全生命周期管理 | 调试与追踪：记录每次模型调用的输入/输出、延迟、错误信息，辅助定位问题（如 Prompt 设计缺陷）。 |
性能分析：可视化模型响应时间、Token 消耗，优化成本与效率。
测试与迭代：支持 A/B 测试不同模型或 Prompt 版本，通过用户反馈数据选择最优方案。
协作与部署：团队共享日志、测试结果，无缝对接生产环境（如导出为 API 服务）。|监控线上聊天机器人的回答质量，发现并修复高频错误回答。
对比 GPT-4 和 Claude-3 在客服场景中的成本与效果，选择最佳模型。