Releases: ShadowQuill/langchain-langgraph-tutorial
Release list
LangChain & LangGraph 系统化实战教程 v1.0.2
LangChain & LangGraph 系统化实战教程 v1.0.2
一套从零讲透「用 LangChain / LangGraph 造 Agent，并理解各框架共通的图编排本质」的双语实战教程。
A bilingual, hands-on course that takes you from zero to building Agents with LangChain / LangGraph — and reveals the shared graph-orchestration essence behind every agent framework.
核心特性 / Highlights
- 📚 13 个循序渐进的阶段（P1–P13）：每个阶段都配「原理讲解 + 可运行示例 + 验收清单」。
- 🔌 统一运行时抽象层
examples/common/llm.py：一行LLM_PROVIDER切换ollama/openai/deepseek/qwen，示例与具体模型彻底解耦。 - 🧠 P10 可溯源记忆独立层：字符级 n-gram 召回 + 强溯源，从机制上抑制「张冠李戴」式幻觉。
- 🔗 P11 MCP 工具接口：让智能体按标准协议调用外部工具（真实异步 MCP server）。
- 🤝 P12 / P13 多智能体协作（A2A）：先用 LangGraph 原生 supervisor 编排多 worker，再落地 Google A2A 标准协议（AgentCard + JSON-RPC 2.0，零额外依赖）。
- ✅
verify.sh一键验证：自动跑通 P10–P13 并对照关键输出标记判分（不依赖非确定的 LLM 回答）。 - 🌐 双语文档站（VitePress + GitHub Pages）：中文为主，英文
/en/同步。 - 🛠️
Makefile一键工程化：make setup / run / docs / docs-dev / lint。 - 🖼️ 仓库自带 1280×640 社交媒体预览图
social-preview.png。
教程结构 / Curriculum
| 阶段 Phase | 主题 Topic |
|---|---|
| P1 | 第一个 Chain / First Chain |
| P2 | 组合链、记忆与 RAG / Chains, Memory & RAG |
| P3 | Agent 原理：从 ReAct 到自主循环 / Agent Principles: ReAct → Autonomy |
| P4 | Tools：Agent 能力的真正来源 / Tools |
| P5 | 多 Agent 工作流对比：它们为什么是「同一张图」 / Multi-Agent: One Graph |
| P6 | LangGraph 图编排：状态图、节点与条件边 / LangGraph Orchestration |
| P7 | 人工介入与状态持久化 / Human-in-the-Loop & Persistence |
| P8 | 生产部署实战：从图到服务 / Production Deployment |
| P9 | Capstone 多 Agent 系统与 13 Phase 全景复盘 / Capstone & Review |
| P10 | 可溯源记忆独立层与防幻觉 / Traceable Memory Layer |
| P11 | MCP 标准协议工具接口 / MCP Tool Interface |
| P12 | 多智能体协作（LangGraph 原生 A2A）/ Multi-Agent (native A2A) |
| P13 | Google A2A 标准协议 / Google A2A Protocol |
本版新增（Phase 10–13）/ What's New
- P10 · 记忆独立层：独立的语义记忆库，检索走字符级 n-gram 重合召回（阈值 ≥2 过滤偶然单字重合），每次回答都带「来源溯源」，从机制上避免记忆层张冠李戴。
- P11 · MCP 工具接口：启动一个真实的 MCP server（stdio），用
langchain-mcp-adapters把 MCP 工具挂到create_react_agent，演示智能体按标准协议调用外部能力。 - P12 · 多智能体协作（原生 A2A）：用 LangGraph
StateGraph搭 supervisor + 多个 worker（调研员 / 写作者），并加确定性兜底保证双 worker 协作链路可被稳定演示。 - P13 · Google A2A 标准协议：对照官方规范实现
AgentCard（挂在/.well-known/agent-card.json）+ JSON-RPC 2.0message/send，仅用 Python 标准库http，零额外依赖，演示跨进程 / 跨语言的智能体互联。
快速开始 / Quick Start
make setup # 创建 .venv，安装 Python + Node 依赖，复制 .env
# 编辑 .env，把 LLM_PROVIDER 改成 ollama / openai / deepseek / qwen 之一
make docs-dev # 打开 http://localhost:5173 读教程
make run p=1 # 跑 Phase 1 示例（p=2..13 同理）一键验证（进阶实战）/ One-click Verify
make setup # 先装好环境并配好 .env
./verify.sh # 依次验证 Phase 10 -> 13，输出每阶段的判定标记
./verify.sh 11 # 也可只验证单个 Phaseverify.sh 会对照各示例的关键输出标记判断跑通与否（LLM 输出非确定，故按标记而非具体回答判分）。
v1.0.2 修复：原脚本用
make run在后台子 shell 启动示例，上层 shell 退出时向进程组发SIGHUP会导致make挂掉、Phase 11（需拉起 MCP server 子进程）偶发失败。已改为直接用nohup ./.venv/bin/python -m examples.pXX.hello_chain调用，复跑确认 Phase 10–13 通过 4 / 未通过 0。
文档站 / Docs
- 中文：https://shadowquill.github.io/langchain-langgraph-tutorial/
- English：https://shadowquill.github.io/langchain-langgraph-tutorial/en/
项目定位 / Positioning
本仓库脱胎于 LangChain 官方教程的工程化封装与扩展——我据此吃透了 LangGraph 状态机、checkpoint、HITL 的底层原理，并补齐了原教程缺失的生产要素（记忆独立层、MCP 通信底座、多智能体协作、部署与可观测性）。面试中若被问「是否独立设计」，请诚实说明这一点；重点应放在你真正吃透并可深挖的原理上。
完整改动见提交历史：
97991c1（落地 P10–P13）、5bde29a（修复 P10–P12 运行 bug 并新增verify.sh）、246d953（修复verify.sh后台 SIGHUP 致 Phase 11 失败）。
LangChain & LangGraph 系统化实战教程 v1.0.1
LangChain & LangGraph 系统化实战教程 v1.0.1
一套从零讲透「用 LangChain / LangGraph 造 Agent，并理解各框架共通的图编排本质」的双语实战教程。
A bilingual, hands-on course that takes you from zero to building Agents with LangChain / LangGraph — and reveals the shared graph-orchestration essence behind every agent framework.
核心特性 / Highlights
- 📚 13 个循序渐进的阶段（P1–P13）：每个阶段都配「原理讲解 + 可运行示例 + 验收清单」。
- 🔌 统一运行时抽象层
examples/common/llm.py：一行LLM_PROVIDER切换ollama/openai/deepseek/qwen，示例与具体模型彻底解耦。 - 🧠 P10 可溯源记忆独立层：字符级 n-gram 召回 + 强溯源，从机制上抑制「张冠李戴」式幻觉。
- 🔗 P11 MCP 工具接口：让智能体按标准协议调用外部工具（真实异步 MCP server）。
- 🤝 P12 / P13 多智能体协作（A2A）：先用 LangGraph 原生 supervisor 编排多 worker，再落地 Google A2A 标准协议（AgentCard + JSON-RPC 2.0，零额外依赖）。
- ✅
verify.sh一键验证：自动跑通 P10–P13 并对照关键输出标记判分（不依赖非确定的 LLM 回答）。 - 🌐 双语文档站（VitePress + GitHub Pages）：中文为主，英文
/en/同步。 - 🛠️
Makefile一键工程化：make setup / run / docs / docs-dev / lint。 - 🖼️ 仓库自带 1280×640 社交媒体预览图
social-preview.png。
教程结构 / Curriculum
| 阶段 Phase | 主题 Topic |
|---|---|
| P1 | 第一个 Chain / First Chain |
| P2 | 组合链、记忆与 RAG / Chains, Memory & RAG |
| P3 | Agent 原理：从 ReAct 到自主循环 / Agent Principles: ReAct → Autonomy |
| P4 | Tools：Agent 能力的真正来源 / Tools |
| P5 | 多 Agent 工作流对比：它们为什么是「同一张图」 / Multi-Agent: One Graph |
| P6 | LangGraph 图编排：状态图、节点与条件边 / LangGraph Orchestration |
| P7 | 人工介入与状态持久化 / Human-in-the-Loop & Persistence |
| P8 | 生产部署实战：从图到服务 / Production Deployment |
| P9 | Capstone 多 Agent 系统与 13 Phase 全景复盘 / Capstone & Review |
| P10 | 可溯源记忆独立层与防幻觉 / Traceable Memory Layer |
| P11 | MCP 标准协议工具接口 / MCP Tool Interface |
| P12 | 多智能体协作（LangGraph 原生 A2A）/ Multi-Agent (native A2A) |
| P13 | Google A2A 标准协议 / Google A2A Protocol |
本版新增（Phase 10–13）/ What's New
- P10 · 记忆独立层：独立的语义记忆库，检索走字符级 n-gram 重合召回（阈值 ≥2 过滤偶然单字重合），每次回答都带「来源溯源」，从机制上避免记忆层张冠李戴。
- P11 · MCP 工具接口：启动一个真实的 MCP server（stdio），用
langchain-mcp-adapters把 MCP 工具挂到create_react_agent，演示智能体按标准协议调用外部能力。 - P12 · 多智能体协作（原生 A2A）：用 LangGraph
StateGraph搭 supervisor + 多个 worker（调研员 / 写作者），并加确定性兜底保证双 worker 协作链路可被稳定演示。 - P13 · Google A2A 标准协议：对照官方规范实现
AgentCard（挂在/.well-known/agent-card.json）+ JSON-RPC 2.0message/send，仅用 Python 标准库http，零额外依赖，演示跨进程 / 跨语言的智能体互联。
快速开始 / Quick Start
make setup # 创建 .venv，安装 Python + Node 依赖，复制 .env
# 编辑 .env，把 LLM_PROVIDER 改成 ollama / openai / deepseek / qwen 之一
make docs-dev # 打开 http://localhost:5173 读教程
make run p=1 # 跑 Phase 1 示例（p=2..13 同理）一键验证（进阶实战）/ One-click Verify
make setup # 先装好环境并配好 .env
./verify.sh # 依次验证 Phase 10 -> 13，输出每阶段的判定标记
./verify.sh 11 # 也可只验证单个 Phaseverify.sh 会对照各示例的关键输出标记判断跑通与否（LLM 输出非确定，故按标记而非具体回答判分）。
文档站 / Docs
- 中文：https://shadowquill.github.io/langchain-langgraph-tutorial/
- English：https://shadowquill.github.io/langchain-langgraph-tutorial/en/
项目定位 / Positioning
本仓库脱胎于 LangChain 官方教程的工程化封装与扩展——我据此吃透了 LangGraph 状态机、checkpoint、HITL 的底层原理，并补齐了原教程缺失的生产要素（记忆独立层、MCP 通信底座、多智能体协作、部署与可观测性）。面试中若被问「是否独立设计」，请诚实说明这一点；重点应放在你真正吃透并可深挖的原理上。
完整改动见提交历史：
97991c1（落地 P10–P13）与5bde29a（修复 P10–P12 运行 bug 并新增verify.sh）。
LangChain & LangGraph 系统化实战教程 v1.0.0
LangChain & LangGraph 系统化实战教程 v1.0.0
一套从零讲透「用 LangChain / LangGraph 造 Agent，并理解各框架共通的图编排本质」的双语实战教程。
A bilingual, hands-on course that takes you from zero to building Agents with LangChain / LangGraph — and reveals the shared graph-orchestration essence behind every agent framework.
核心特性 / Highlights
- 📚 9 个循序渐进的阶段（P1–P9）：每个阶段都配「原理讲解 + 可运行示例 + 验收清单」。
- 🔌 统一运行时抽象层
examples/common/llm.py：一行LLM_PROVIDER切换 Ollama / OpenAI / DeepSeek，示例与具体模型解耦。 - 🌐 双语文档站（VitePress + GitHub Pages）：中文为主，英文
/en/同步。 - 🛠️
Makefile一键工程化：make setup / run / docs / docs-dev / lint。 - ✅
make lint全量语法校验，示例可持续维护。
教程结构 / Curriculum
| 阶段 Phase | 主题 Topic |
|---|---|
| P1 | 第一个 Chain / First Chain |
| P2 | 组合链、记忆与 RAG / Chains, Memory & RAG |
| P3 | Agent 原理：从 ReAct 到自主循环 / Agent Principles: ReAct → Autonomy |
| P4 | Tools：Agent 能力的真正来源 / Tools |
| P5 | 多 Agent 工作流对比：它们为什么是「同一张图」 / Multi-Agent: One Graph |
| P6 | LangGraph 图编排：范式统一论的闭环 / LangGraph Orchestration |
| P7 | 人工介入与状态持久化 / Human-in-the-Loop & Persistence |
| P8 | 生产部署实战：从图到服务 / Production Deployment |
| P9 | Capstone 多 Agent 系统与 9 Phase 全景复盘 / Capstone & Review |
快速开始 / Quick Start
make setup # 创建 .venv，安装 Python + Node 依赖，复制 .env
make run p=1 # 运行 Phase 1 示例（p=2..9 同理）文档站 / Docs
- 中文：https://shadowquill.github.io/langchain-langgraph-tutorial/
- English：https://shadowquill.github.io/langchain-langgraph-tutorial/en/
项目定位 / Positioning
本仓库脱胎于 LangChain 官方教程的工程化封装与扩展——我据此吃透了 LangGraph 状态机、checkpoint、HITL 的底层原理。面试中若被问「是否独立设计」，请诚实说明这一点。
📌 提示：本
v1.0.0为 P1–P9 基线快照（release 正文即当时内容）。课程后续的 记忆独立层 / MCP / 多智能体协作（A2A）/ Google A2A 标准协议（Phase 10–13） 已在 v1.0.1 中补齐，请前往查看最新完整版。