Golang 学习教程

    生态概览：LangChain 与 Go

    LangChain 是什么

    LangChain 是目前最具影响力的 LLM 应用开发框架，它把模型调用之外的"工程脚手架"标准化为若干可组合的组件：

    组件职责
    Model I/O统一的模型调用接口（对话消息、流式、工具调用）
    PromptsPrompt 模板与变量填充
    Chains将多个步骤编排为有向流程
    Agents让模型自主决策调用哪些工具
    Retrieval / RAG文档加载、切分、向量化与检索问答
    Memory对话历史管理

    官方实现面向 Python 与 JavaScript。langchaingo（github.com/tmc/langchaingo）是社区维护的 Go 语言实现，复刻了上述核心组件，使 Go 服务无需引入 Python 运行时即可构建 LLM 应用。

    Go 侧的三种集成路径

    路径适用场景特点
    langchaingo（本章主线）在 Go 服务内直接编排 LLM 应用单一二进制、类型安全、延迟低
    直连模型 REST API只需简单的对话/补全调用零依赖，但缺少链式编排抽象
    调用 Python LangChain 服务团队已有 LangChain/LangGraph 服务跨语言：Go 侧通过 REST 客户端或队列集成
    Tip

    选型经验：业务以 Go 为主时优先 langchaingo，与 goroutine、context、HTTP 服务天然融合；仅当算法团队在 Python 侧维护复杂的 LangGraph 状态机时，才建议跨语言集成——Go 服务只做网关与业务编排。

    langchaingo 的模块地图

    github.com/tmc/langchaingo
├── llms              # 统一模型接口（llms.Model）
│   ├── openai        # OpenAI 及一切兼容 API
│   ├── anthropic / googleai / cohere ...
│   └── ollama        # 本地模型
├── prompts           # Prompt 模板
├── chains            # 链式编排（LLMChain、QA、顺序链等）
├── agents / tools    # Agent 与工具
├── documentloaders   # 文档加载（文本、HTML、PDF 等）
├── textsplitter      # 文档切分
├── embeddings        # 向量化模型接口
├── vectorstores      # 向量存储（Chroma、pgvector、Milvus 等）
└── memory            # 会话记忆

    与 Go 并发模型的结合

    langchaingo 的所有阻塞调用均接受 context.Context，因此可以无缝使用 Go 的并发设施：

    这是"Go + langchaingo"区别于 Python 生态的最大优势：并发与超时控制是语言原生能力。

    Warning

    langchaingo 社区迭代较快，API 偶有调整。本章示例基于 2025 年的主流接口编写；遇到编译差异时，以 pkg.go.dev 文档与 examples 目录为准。

    小结

    • LangChain 的价值在于标准化的 LLM 工程组件；langchaingo 将其带入 Go 生态。
    • Go 侧集成的首选是 langchaingo，跨语言集成仅适合已有 Python 服务的团队。
    • langchaingo 与 context/goroutine 的结合是其在服务端落地的核心优势。