LangChain框架的核心优势在于它提供了模块化的组件，让开发者可以像搭积木一样组合LLM能力。本节教程将带你从零构建一个基于本地文档的智能问答系统。
首先安装LangChain及其依赖：pip install langchain langchain-community langchain-openai。如果你使用其他模型，可以相应替换。准备一个文本文件作为知识源，例如产品说明书或技术文档。
核心流程分为三步：文档加载与分割、向量存储与检索、LLM问答。使用TextLoader读取文件，RecursiveCharacterTextSplitter将文档切分成块，然后通过OpenAIEmbeddings将每块文本转换为向量，存入Chroma向量数据库。
接着构建检索链：from langchain.chains import RetrievalQA。使用retriever从向量库中获取与问题相关的文档片段，再传递给LLM生成答案。可以自定义提示模板，让模型以更专业的语气回答。
为了增强交互体验，可以加入记忆组件。使用ConversationBufferMemory存储对话历史，使得模型能够理解上下文。LangChain提供了多种记忆类型，如ConversationSummaryMemory可压缩历史。
更高级的用法是使用代理（Agent），让LLM自动决定调用哪些工具（如搜索、计算器、数据库查询）。代理机制极大扩展了LLM的能力边界，但需要注意安全性和可控性。
部署时，可以将应用封装为FastAPI服务，通过接口对外提供问答能力。LangServe工具可以快速将LangChain应用部署为REST API。