介绍
langchain-community 是 LangChain 生态中的 第三方集成仓库，由社区主导维护，集中存放非官方、非核心但高频使用的组件，是 LangChain 连接外部世界的“万能适配器”。
- 依赖关系：仅依赖
langchain-core（核心接口），无强制依赖，所有第三方依赖均为可选安装。 - 生态分工：
langchain-core：定义标准接口（LLM、VectorStore、Tool 等）。langchain：通用链/代理逻辑（不涉及具体集成）。langchain-community：社区贡献的第三方集成（占 LangChain 集成量 90%+）。- 官方分包：
langchain-openai、langchain-anthropic等（热门集成拆分，生产优先）。
模型集成（LLM/ChatModel）
覆盖主流+小众+本地部署模型，统一 langchain-core 接口，无缝切换。
- 国内模型：通义千问（
ChatTongyi）、DeepSeek（社区版）、智谱 GLM、文心一言。 - 本地模型：Ollama（调用本地 Llama3/DeepSeek）、
HuggingFacePipeline（本地 Hugging Face 模型）。 - 开源/小众：LlamaCpp、Cohere、AI21、Replicate 等。
文档加载器（Document Loaders）
RAG 核心入口，支持几乎所有格式的文档导入。
- 文件格式：
TextLoader（.txt）、PyPDFLoader（PDF）、CSVLoader、UnstructuredLoader（Word/Markdown/HTML）。 - 批量/目录：
DirectoryLoader（递归加载目录）、NotionLoader、GitHubLoader、YouTubeLoader（字幕）。 - 数据库/云：
SQLDatabaseLoader、MongoDBLoader、S3Loader等。
向量存储（Vector Stores）
RAG 核心组件，对接主流向量库+数据库向量扩展。
- 轻量开源：Chroma、FAISS（本地优先）、PGVector（PostgreSQL 向量插件）。
- 云端/企业级：Pinecone、Weaviate、Milvus、Qdrant、Elasticsearch（向量版）。
使用示例：
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
vectorstore = Chroma.from_documents(
documents=docs,
embedding=HuggingFaceEmbeddings()
)
文本分割器（Text Splitters）
将长文档切分为语义连贯、检索友好的片段。
- 通用：
RecursiveCharacterTextSplitter（按段落/句子递归分割，最常用）。 - 语义感知：
TokenTextSplitter（按 LLM token 数）、MarkdownTextSplitter、LatexTextSplitter。
工具集成（Tools）
Agent 核心能力，对接搜索、数据库、API、系统命令等外部工具。
- 搜索：
TavilySearch、GoogleSearch、SerpAPI、ArXivSearch。 - 系统/代码：
PythonREPLTool、ShellTool、RequestsTool（HTTP 调用）。 - 办公/协作：
SlackTool、NotionTool、GitHubTool。
记忆（Memory）
扩展 langchain-core 记忆能力，支持多轮对话上下文管理。
- 存储型：
RedisChatMessageHistory、MongoDBChatMessageHistory、SQLiteMemory。 - 摘要型：
ConversationSummaryMemory、VectorStoreRetrieverMemory（向量记忆）。
检索器（Retrievers）
RAG 核心，将向量存储封装为统一检索接口。
- 向量检索：
VectorStoreRetriever（基础）、MultiQueryRetriever（多查询扩展）。 - 混合检索：
EnsembleRetriever（向量+关键词）、BM25Retriever（关键词检索）。
安装
# 基础安装（无依赖）
pip install langchain-community
# 带常用依赖（如向量库、文档处理）
pip install "langchain-community[all]" # 全量依赖（不推荐）
pip install "langchain-community[vectorstores]" # 仅向量库依赖
pip install "langchain-community[document_loaders]" # 仅文档加载依赖
RAG 例子
# 1. 加载文档
from langchain_community.document_loaders import TextLoader
loader = TextLoader("demo.txt")
docs = loader.load()
# 2. 分割文本
from langchain.text_splitter import RecursiveCharacterTextSplitter
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)
# 3. 向量存储
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
vectorstore = FAISS.from_documents(chunks, HuggingFaceEmbeddings())
# 4. 检索+生成
from langchain_community.llms import Ollama
from langchain.chains import RetrievalQA
qa_chain = RetrievalQA.from_chain_type(
llm=Ollama(model="deepseek-r1"),
retriever=vectorstore.as_retriever()
)
print(qa_chain.run("你的问题"))
优点
- 覆盖极广：95%+ 小众集成需求，原型开发“开箱即用”。
- 轻量灵活：可选依赖，不冗余，按需安装。
- 社区活跃：快速新增模型/工具，适配最新开源生态。
缺点
- 质量参差：部分组件维护滞后、文档简陋、bug 较多。
- 版本兼容：依赖升级可能导致组件失效（如 Hugging Face 版本）。
- 无官方 SLA：问题响应慢，生产环境风险高。
使用建议
- 原型阶段：优先用
langchain-community，快速验证想法。 - 生产环境：
- 热门集成：替换为官方分包（如
langchain-openai）。 - 关键组件：自研或fork后维护，确保稳定性。
- 小众集成：评估后封装，加单元测试与版本锁定。
- 热门集成：替换为官方分包（如
与官方分包对比
| 特性 | langchain-community | 官方分包（如 langchain-openai） |
|---|---|---|
| 维护方 | 社区 | LangChain 官方团队 |
| 质量 | 参差 | 高，严格测试 |
| 更新 | 不定期 | 同步核心版本，及时修复 |
| 文档 | 简略 | 完善，含最佳实践 |
| 适用场景 | 原型、小众需求 | 生产、核心链路 |
总结
langchain-community 是 LangChain 生态的“万能工具箱”，以全面性、灵活性、低成本成为原型开发首选；但生产环境需谨慎，优先官方分包或自研封装。