LangChain完成 1.25 亿美元融资，投后估值 12.5 亿美元！

重写 LangChain 之后，Agent 开发终于告别“拼凑学”。

本周，LangChain 宣布完成 1.25 亿美元融资，投后估值 12.5 亿美元。除了宣布其独角兽地位外，该公司还发布了里程碑式更新：经过 3 年迭代，LangChain 1.0 正式登场。而且，这并非一次常规的版本升级，而是一场从零开始的重写。

LangChain 是开源开发者社区中最受欢迎的项目之一，其每月下载量高达 8000 万次，数百万开发者正在使用，目前在 GitHub 上拥有 11.8 万颗 star 和 1.94 万个分支。要对这样一个普及度极高的框架进行全面“重写”，难度可想而知。

任职于 LangChain 的 Julia Schottenstein 发帖表示：

LangChain 从零开始重写 —— 现在更加精简、更灵活、更强大。各方面都大幅提升。要下决心重写这样一个已经如此普及的框架，绝非易事。现在的 LangChain 围绕循环内的工具调用 Agent 架构构建，模型无关性是其核心优势之一。

从副业开始的项目

LangChain 于 2022 年 10 月左右由机器学习工程师 Harrison Chase 发起。最初是 Harrison 的一个副业，当时他大约写了 800 行代码，是一个体量不大的单文件 Python 包，于同年秋季发布到了他个人的 GitHub 账户（hwchase17）上。

Harrison 自述，项目的灵感来源于一次特殊的时期：大约在 Stable Diffusion 发布之后、ChatGPT 问世之前的一个月里。他频繁参加各种聚会和技术活动，结识了许多利用大模型进行前沿探索的人士。

面对工具碎片化和抽象不足的状况，通过交流，他大致梳理了大家构建项目的一些共性，并意识到：“将这些共同点抽象分解出来，会是一个很酷的副项目。” 后来，这个副项目就发展成了今天的 LangChain。

最开始的版本包含三个端到端的模块。一个是 NatBot，这是 Nat Friedman 开发的 Web 代理。另一个是 LLM Math Chain。第三个是 Self-Ask，是一种 RAG 搜索，类似于 React 风格的代理。该框架的作用主要是把模型与工具连接起来，将多个调用与业务逻辑串联成链条，解决了早期大模型开发应用时的一些痛点，例如网页搜索、API 调用以及数据库交互等。

发布后，他持续迭代，接入了各种 LLM 和向量数据库等更多集成，还提供了更多高级的“模板”，使用户仅用 5 行代码就能开始使用 RAG、SQL 问答、提取等功能。

随着大模型的火热发展，LangChain 很快成为增长最快的开源项目之一。Harrison 于 2023 年 4 月以 Benchmark 领投的 1000 万美元种子轮正式创立公司。一周后，他又完成了由红杉领投的 2500 万美元 A 轮融资，当时 LangChain 的估值据称已达 2 亿美元。

从“拼装学”到工程化：一个大模型框架的进化

即使是创始人 Harrison 本人，现在也很难准确一句话概括 LangChain 到底是什么。在一次播客中，他曾这样定义：“LangChain 是一个构建 LLM 应用程序的框架，但这说法很模糊，也不够具体。我认为部分原因在于 LangChain 的功能实在太丰富了，所以很难用一句话具体说明。”

但就优先级与侧重点而言，LangChain 的核心是一个“情境感知的推理型应用框架”。它大体包含两层：其一是组件与模块层，覆盖提示模板、LLM 与聊天模型抽象、向量存储抽象、文本分割器与文档加载器等。LangChain 本身不提供自有的大模型或向量库，但整合了大量外部实现；文本分割器与文档加载器等则有自有逻辑，均可独立组合。其二是端到端的链与应用层，例如文档问答、聊天问答、SQL 问答与“即插即用”的代理等，把前述组件按既定流程装配，帮助开发者用少量代码快速完成从检索嵌入、合成提示，到生成、解析并后处理答案的全流程。

在整合生态这件事上，团队长期坚持“模型与基础设施中立”的路线。外界曾评价他们“就像开发者领域的瑞士”：比如说那时市面上有众多向量数据库，彼此都在竞争、争夺嵌入与数据归属，而 LangChain 的态度是“我们都支持”。

Harrison 认为，他们当初最坚定的信念是，这个领域还处于非常早期的阶段，而且发展非常迅速。因此，关于向量数据库将扮演什么角色、会有多少个向量数据库，未来发展如何，都存在很多不确定性。因此他认为“可选性和可切换性是必须的，LangChain 不能被任何技术路线束缚。”

除了主流大模型、80 种向量数据库，对于“文本分割器（Text splitters）”这类的组件，Harrison 曾表示：“我记得我们有大概 15 种，我还觉得它们的数量都被低估了。”

据 2024 年 10 月的数据显示，LangChain 里有总计超过 700 个不同的集成。这其中包括 10 大类组件，每一类里通常有 30 到 100 个集成。这个领域有非常多不同的技术触点，而 LangChain 的定位，就是连接这些触点的“粘合剂”。而且他们还提供了 Python 和 TypeScript 两种版本。

这背后是大量艰苦的适配与集成工作——尤其是在团队仅约 10 人的阶段（2023 年 7 月的时候团队只有 6 个人，随后两个月增加到 10 人上下），仍投入了可观的时间去打通各种不同的组件，以保证开发者随取随用、自由组合。

然而，在这种高速集成的情况下，项目也积攒了不少问题，Harrison 透露：“（那时我们）有大约 2,500 个未解决的问题或类似的（Bug），还有 300 或 400 个待处理的 PR。”

到了 2023 年夏天，LangChain 团队开始接收到大量负面反馈。其中有些问题尚能修复，比如防止破坏性更改、显式化隐藏的提示词、解决安装包臃肿、依赖冲突以及文档过时等。

然而，有一项反馈更难处理——用户希望获得更高的控制权。虽然 LangChain 一直是开发者快速入门的最佳选择，但团队为此牺牲了部分定制化能力以换取易用性。最初，LangChain 中那些让用户快速上手的高层级接口，现在反而成了开发者试图进行定制化并推向生产环境时的阻碍。

为了解决这一痛点，LangChain 团队于同年夏天开始开发 LangGraph，并在 2024 年初正式推出。LangGraph 允许开发者以更底层的方式编排每一步智能体逻辑，包括记忆管理、人类在环（human-in-the-loop）以及持久化执行的长任务管理。

例如，Replit 在几个月前发布的智能体就是基于 LangGraph 和 LangSmith 构建的。值得一提的是，LangSmith 是 LangChain 生态中的一款闭源工具，专注于 LLM 运维领域，主要提供可观察性和监控功能，同时也是该公司的主要收入来源。

目前，LangChain 公司有三条主要产品线，工作侧重点各有不同。在 LangChain 开源方面，核心工作是生态系统的规模化管理，需要与大量的合作伙伴进行协作。在 LangGraph 方面，当前许多工作聚焦于可扩展性，以及智能体的集成开发环境（IDE）与调试能力的提升。而在 LangSmith 方面，随着承载的生产工作负载持续增加，团队会继续致力于推进其可扩展性。

截图来源：https://js.langchain.com/docs/introduction/

重写 LangChain

LangChain 在三年前发布时，其功能主要围绕着各种集成和高层接口展开。当时集成范围还比较有限，模型端主要集中在 OpenAI、Cohere 和 Hugging Face 这几家，而围绕模型、向量库、文档加载器等核心积木，LangChain 都提供了相应的组件与集成。另一块是高层接口，它让用户可以非常容易地上手，比如实现 RAG 或 SQL 问答只需短短五行代码。

团队当时判断，行业所处阶段决定了 LangChain 的首要目标：让开发者“尽快用起来”。随着生态成熟、原型走向生产，关注点随之转移。

以发布一年半后的 LangGraph 为例，它瞄准了两个核心：可控性与内建的运行时。

其一，在生产环境中，开发者需要更强的自定义与边界控制，“五行代码做 RAG”背后隐含了大量默认前提（如隐藏提示与所谓“上下文工程”），有利于入门，却不利于深度定制与规模化稳定。

其二，运行时层面，团队沉淀出三项关键设计：可持久的执行环境（局部出错不致整次作废）、检查点恢复（运行中缓存应用状态以便回溯与重启）、以及将流式交互作为一等公民（支持长任务的实时进度与互动）。

当年团队在构建 LangChain 时，像流式输出、人类在环这类能力并非一开始就具备，而是后来“回填”进去的。

几个月前，他们开始重新审视 LangChain，并决定全面重写。

这一重大决策也深受 LangGraph 开发过程的影响：在 LangGraph 的开发过程中，团队曾反思为何某些在原型期易于实现的功能，在生产环境中却难以落地。基于此，他们从架构层面提出核心要求，即运行时必须原生支持“人类在环”等关键能力——这也正是 LangGraph 的核心目标之一。

这些经验与要求，直接奠定了重写的技术方向：团队最终决定以 LangGraph 为底座，对 LangChain 进行彻底的架构重构。

两年来，整个行业里已经冒出了一堆围绕“智能体构建”的框架，但基本收敛在“智能体 = 工具调用循环（tool-calling loop）”这个概念上。因此新版 LangChain 1.0 为平衡“强可控性”与“低门槛”，提供了统一的 create_agent 抽象，让开发者用少量代码即可起步，快速搭建经典的“模型—工具调用”循环。

该抽象既延续了早期 LangChain 0.0.8 的 “chat agent executor” 范式，也吸收了 LangGraph 社区广泛使用的 “create_react_agent” 经验，在一致性与易用性上进一步收敛。

此外，LangChain 1.0 还添加了一个新的 中间件 概念，这也是此次重写的关键抓手。

这种中间件模式允许开发者在“核心智能体循环”的任意位置插入额外逻辑，使主循环更易扩展到各类场景：例如，它可以在模型调用前自动总结历史对话，以支持长时运行带来的超长上下文；或者在高风险或高成本的工具调用处，通过添加 Hook（钩子）的方式，启用人类在环（Human-in-the-loop）审批。

LangChain 团队表示：“我们非常认可在整个智能体循环周围添加钩子的这种范式。因此，我们也让大家非常容易去构建自定义的中间件。” 团队进一步指出，如果想要定制动态提示词（dynamic prompt）或动态工具（dynamic tools），同样可以通过中间件来实现。“我们认为，这正是将 LangChain 作为一个智能体框架区别开来的地方：中间件中内建的可定制化能力。”

而且，借助 动态模型中间件（dynamic model middleware），系统还可以基于上下文动态选择要使用的模型，从而将“模型无关性”落到工程实处。

如今已非“单一模型通吃”的时代：写代码去找 Anthropic，推理（reasoning）去找 OpenAI，多模态去找 Google。某种意义上，每家模型都显现出了自己的专长领域。

团队强调，“在我们与开发者交流时，模型之间的可选性本来就是 LangChain 的初心之一。能够启用这种可选性，才是你在智能体构建上保持最前沿的方式。”中间件让系统可在对话生成或下一步循环中按需切换模型，于能力与成本之间取得更优解。

“create_agent + middleware API 是把‘上下文工程’真正落地为可操作抽象的首次清晰尝试。”

在产品层面，LangChain 1.0 做了四项系统升级：