LangChain 精要 — 學習 LangGraph 之前唯一需要掌握的事物

注意：本文撰寫於 2026 年 7 月，使用 LangChain 0.3.x。未來版本的 API 可能會有所變更 — 如果有任何部分無法正常運作，請查閱 LangChain 文件。

當我開始學習 LangChain 時，感到相當不知所措。有 chains、agents、memory、retrievers、output parsers — 數十種抽象概念。後來我才發現：其中大部分已經被棄用。

LangGraph（由同一團隊開發）已經取代了編排層。但你仍然需要在 LangGraph 的節點中使用 LangChain 的核心建構模組。因此，我整理出你實際需要學習的最小範圍。

以下是全部內容，整理在一份檔案中。

真正重要的 4 件事

#	主題	對 LangGraph 的重要性
1	LLM 設定	你需要與模型溝通
2	Prompt Templates + LCEL	LCEL 的管道語法仍然適用
3	結構化輸出	Pydantic 模型取代了舊的 output parsers
4	工具呼叫	這是最重要的 — LangGraph agents 正是建立在工具呼叫迴圈之上

讓我們逐一說明。

---

1. LLM 設定

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="llama-3.3-70b-versatile",
    temperature=0.0,
    api_key=os.environ["GROQ_API_KEY"],
    base_url="https://api.groq.com/openai/v1",
)

Enter fullscreen mode Exit fullscreen mode

ChatOpenAI 可搭配任何與 OpenAI 相容的 API 使用。這裡我使用 Groq 搭配 Llama 3.3 提供免費且快速的推論服務。

2. Prompt Templates + LCEL

from langchain_core.prompts import ChatPromptTemplate

template_string = """Translate the text that is delimited by triple backticks \
into a style that is {style}.
text: ```

{text}

Enter fullscreen mode Exit fullscreen mode

"""

prompt_template = ChatPromptTemplate.from_template(template_string)
chain = prompt_template | llm
response = chain.invoke({"style": "formal English", "text": "yo what's up"})```

管道符號 (|) 語法稱為 LCEL（LangChain Expression Language）。它取代了舊有的 LLMChain、SequentialChain 等。簡單且具可組合性。

3. 結構化輸出

舊版需要使用 ResponseSchema、StructuredOutputParser，並將格式指示注入提示詞中。新版只需使用 Pydantic：

from pydantic import BaseModel, Field

class ReviewInfo(BaseModel):
    """Information extracted from a product review."""
    gift: bool = Field(description="Was the item purchased as a gift?")
    delivery_days: int = Field(description="How many days to arrive? -1 if unknown.")
    price_value: list[str] = Field(description="Sentences about value or price.")

structured_llm = llm.with_structured_output(ReviewInfo, method="function_calling")
result = (prompt | structured_llm).invoke({"text": review})

print(result.gift)           # True  (a real bool, not the string "true")
print(result.delivery_days)  # 2     (a real int)

Enter fullscreen mode Exit fullscreen mode

各個步驟由誰負責：

步驟	負責方
將 Pydantic 轉換為 JSON schema	LangChain
理解 schema 並產生 JSON	LLM
將 JSON 解析回 Pydantic 物件	LangChain

不再需要在提示詞中加入格式指示。LLM 根本不會看到「return JSON」 — 它在底層使用 function calling。

4. 工具呼叫 — 最重要的一環

這正是 LangGraph 自動化的部分。先手動理解這個流程，能讓你更快速掌握 LangGraph。

定義工具 — 只需使用 @tool 裝飾器定義 Python 函式：

from langchain_core.tools import tool

@tool
def get_current_weather(city: str) -> str:
    """Get the current weather for a given city."""
    return {"berlin": "17°C, cloudy"}.get(city.lower(), "No data")

@tool
def get_population(city: str) -> int:
    """Get the approximate population of a city."""
    return {"berlin": 3_700_000}.get(city.lower(), -1)

Enter fullscreen mode Exit fullscreen mode

@tool 裝飾器會將這些函式轉換為 BaseTool 物件。函式的 docstring 會成為描述，供 LLM 判斷何時呼叫該工具。

綁定工具並呼叫：

tools = [get_current_weather, get_population]
llm_with_tools = llm.bind_tools(tools)

messages = [HumanMessage("What's the weather and population in Berlin?")]
ai_response = llm_with_tools.invoke(messages)

print(ai_response.tool_calls)
# [{"name": "get_current_weather", "args": {"city": "Berlin"}, "id": "..."},
#  {"name": "get_population", "args": {"city": "Berlin"}, "id": "..."}]

Enter fullscreen mode Exit fullscreen mode

LLM 不會執行工具。它會回傳一個結構化的請求，要求你來執行它們。

執行工具並將結果送回：

tool_map = {t.name: t for t in tools}

messages.append(ai_response)
for tc in ai_response.tool_calls:
    result = tool_map[tc["name"]].invoke(tc["args"])
    messages.append(ToolMessage(content=str(result), tool_call_id=tc["id"]))

final_response = llm_with_tools.invoke(messages)
print(final_response.content)
# "The weather in Berlin is 17°C and cloudy, with a population of 3.7 million."

Enter fullscreen mode Exit fullscreen mode

這個迴圈 — LLM 決定 → 你執行 → 送回結果 → 重複 — 正是 LangGraph 的 ToolNode 所自動化的流程。

---

可以跳過的部分

如果你目標是學習 LangGraph，不需要花時間學習這些已淘汰的 LangChain 抽象：

• LLMChain → 已被 LCEL（prompt | llm）取代
• SequentialChain → 已被 LCEL 管道取代
• RouterChain → 已被 LangGraph 分支機制取代
• ConversationChain → 已被 LangGraph 狀態取代
• AgentExecutor → 已被 LangGraph agent 迴圈取代

LangChain 與 LangGraph 的關係

LangGraph 並非 LangChain 的替代品 — 它建構於 LangChain 之上：

• LangChain Core → LLMs、prompts、tools、messages （你仍然需要使用這些）
• LangGraph → 編排層 （控制這些模組如何連接與迴圈）

LangGraph 於 2024 年初推出，原因是 LangChain 原有的 agent/chain 抽象過於僵硬 — 難以客製化、不支援循環或分支，且記憶體功能是後來附加而非內建。

---

取得程式碼

完整內容僅需一個檔案：github.com/santanu2908/langchain-essentials

git clone https://github.com/santanu2908/langchain-essentials.git
cd langchain-essentials
uv sync
# add your GROQ_API_KEY to .env
uv run main.py

Enter fullscreen mode Exit fullscreen mode

---

下一篇：LangGraph。如果你覺得這篇文章有幫助，請持續關注 — 我也會分享學習 LangGraph 的歷程。

我是 Santanu Mohanta — 歡迎在 LinkedIn 與我聯繫，或在 GitHub 查看我的專案。