设计哲学
LangChain 的存在是为了成为使用大语言模型（LLM）开始构建的最简便起点，同时兼具灵活性并满足生产就绪需求。
LangChain 由几项核心理念所驱动：
- 大语言模型（LLM）是一项伟大且强大的新技术。
- 当你将 LLM 与外部数据源结合时，它们会变得更加出色。
- LLM 将改变未来应用的形态。具体来说，未来的应用将越来越具备智能体（Agentic）特性。
- 在这场变革中，目前仍处于非常早期的阶段。
- 虽然构建这些智能体应用的原型很容易，但要构建出足够可靠以投入生产的智能体依然非常困难。
如今，开发者可以选择如何构建智能体：使用 LangChain 获得最大的灵活性和控制力，或者使用 Deep Agents——它提供了类似的灵活性和控制力，但自带自成体系的内置规划、文件系统工具、子智能体和上下文管理。两者均构建在 LangGraph 之上。
对于 LangChain，我们有两个核心关注重点：
1. 我们希望赋能开发者使用最优秀的模型进行构建。
不同的提供商暴露了不同的 API，具有不同的模型参数和不同的消息格式。 将这些模型的输入和输出标准化是一个核心重点，这使开发者能够轻松切换到最新的前沿模型，避免供应商锁定。
2. 我们希望让使用模型来编排与其它数据和计算交互的更复杂流程变得更加简单。
模型的作用不应仅仅局限于文本生成——它们还应该被用来编排与其它数据交互的更复杂的流程。LangChain 使定义 LLM 可以动态使用的工具变得简单，并有助于非结构化数据的解析与访问。
历史
鉴于该领域日新月异的变化速度，LangChain 也在随时间不断演化。以下是 LangChain 多年演变历程的简要时间线，它随着使用 LLM 进行构建这一概念的演变而同步演化：
2022-10-24
v0.0.1
在 ChatGPT 发布的前一个月，LangChain 作为一个 Python 包正式推出。它包含两个主要组件：
- LLM 抽象
- “Chains”（链），即针对常见用例预先确定的待运行计算步骤。例如——RAG：先运行检索步骤，再运行生成步骤。
LangChain 这个名字来源于“Language”（如语言模型）和“Chains”（链）。
2022-12
首批通用智能体被添加到 LangChain 中。
这些通用智能体基于 ReAct 论文（ReAct 代表推理与行动，Reasoning and Acting）。它们利用 LLM 生成代表工具调用的 JSON，然后解析该 JSON 以确定要调用哪些工具。
2023-01
OpenAI 发布了 “Chat Completion” API。
在此之前，模型接收字符串并返回一个字符串。在 ChatCompletions API 中，它们演进为接收一个消息列表并返回一条消息。其他模型提供商也纷纷效仿，LangChain 也进行了更新以支持消息列表。
2023-01
LangChain 发布 JavaScript 版本。
LLM 和智能体将改变应用的构建方式，而 JavaScript 是应用开发者的语言。
2023-02
围绕 LangChain 开源项目，LangChain Inc. 正式成立为一家公司。
主要目标是“让智能体无处不在”（make intelligent agents ubiquitous）。团队意识到，虽然 LangChain 是关键的一环（LangChain 让开始使用 LLM 变得简单），但同时也需要其他组件。
2023-03
OpenAI 在其 API 中发布了“函数调用”（function calling）。
这使得 API 能够显式生成代表工具调用的负载（payloads）。其他模型提供商也纷纷效仿，LangChain 也进行了更新，将此作为工具调用的首选方法（而不是解析 JSON）。
2023-06
LangChain Inc. 推出闭源平台 LangSmith，提供可观测性与评测能力。
构建智能体的主要问题在于如何让它们变得可靠，而提供可观测性与评测能力的 LangSmith 正是为解决这一需求而构建。LangChain 进行了更新以实现与 LangSmith 的无缝集成。
2024-01
v0.1.0
LangChain 发布 0.1.0 版本，这是其首个非 0.0.x 版本。
整个行业从原型阶段走向生产成熟，因此，LangChain 更加注重稳定性。
2024-02
LangGraph 作为开源库正式发布。
最初的 LangChain 有两个重点：LLM 抽象，以及用于快速上手常见应用的高级接口；然而，它缺少一个能够让开发者精确控制其智能体执行流的底层编排层。于是：LangGraph 应运而生。
在构建 LangGraph 时，我们吸取了构建 LangChain 时的经验教训，并添加了我们发现所必需的功能：流式传输（streaming）、持久化执行（durable execution）、短期记忆（short-term memory）、人在回路（human-in-the-loop）等。
2024-06
LangChain 拥有超过 700 个集成。
集成模块从 LangChain 核心包中分离出来，要么被移入它们自己的独立包中（针对核心集成），要么移入 @langchain/community。
2024-10
LangGraph 成为构建任何超越单次 LLM 调用的 AI 应用的首选方式。
随着开发者努力提升其应用的可靠性，他们需要比高级接口所能提供的更多的控制权。LangGraph 提供了这种底层灵活性。LangChain 中的大多数链（chains）和智能体（agents）都被标记为废弃（deprecated），并附带了如何将它们迁移到 LangGraph 的指南。LangGraph 中依然创建了一个高级抽象：智能体抽象。它构建在底层 LangGraph 之上，并具有与 LangChain 中的 ReAct 智能体相同的接口。
2025-04
模型 API 变得更加多模态化。
模型开始支持接收文件、图片、视频等内容。我们相应地更新了 @langchain/core 消息格式，允许开发者以标准化的方式指定这些多模态输入。
2025-10-20
v1.0.0
LangChain 发布 1.0 版本，带来两项重大变更：
全面重构
langchain中的所有链（chains）和智能体（agents）。所有链和智能体现在都被替换为仅有的一个高级抽象：构建在 LangGraph 之上的智能体抽象。这是最初在 LangGraph 中创建的高级抽象，现已迁移到 LangChain 中。对于仍在使用旧版 LangChain 链/智能体且不想升级的用户（注意：我们建议你进行升级），你可以通过安装
@langchain/classic包来继续使用旧版 LangChain。标准化的消息内容格式：模型 API 已从返回带有简单内容字符串的消息，演进为更复杂的输出类型——推理块（reasoning blocks）、引用（citations）、服务端工具调用等。LangChain 演进了其消息格式，以跨不同提供商将这些内容标准化。
2026-03-15
v0.5.3
Deep Agents 作为构建在 LangGraph 之上的开源智能体运行框架（agent harness）正式发布。
虽然 LangChain 为自定义智能体架构提供了灵活的构建块，但 Deep Agents 为研究和编码等复杂且长时间运行的任务提供了“开箱即用”（batteries-included）的选择。它增加了内置的规划工具、具有可插拔后端（内存、磁盘、LangGraph 存储、沙箱）的虚拟文件系统，以及用于上下文隔离的子智能体派生。对于使用预定义工具、更具自主性的智能体，请使用 Deep Agents；若需要对智能体架构进行完全控制，请使用 LangChain。