从零基础到独立构建生产级 AI Agent 应用，系统掌握 LangChain 核心概念与实践。
learn_langchain/
├── demo/ # 可运行的示例代码
├── docs/ # 33 章完整学习文档
├── data/ # 示例数据
├── pyproject.toml # 项目配置
├── .env.example # 环境变量模板
└── .env # 环境变量（需自行创建，已加入 .gitignore）
项目共 33 章，分为九个部分：
| 部分 | 章节 | 内容 | 建议时长 |
|---|---|---|---|
| 基础入门 | 第 1-4 章 | 环境搭建、LLM 基础、Prompt 模板、输出解析器 | 3-5 天 |
| 核心机制 | 第 5-8 章 | LCEL Chain、RAG、Retriever、Memory | 5-7 天 |
| Agent 构建 | 第 9-12 章 | Tools、Agent 基础、执行控制、自定义工具 | 7-10 天 |
| 进阶实践 | 第 13-16 章 | LangGraph、多 Agent、综合实战 | 7-10 天 |
| 生产化实践 | 第 17-25 章 | 回调、异步、安全、测试、LangSmith、部署 | 10-15 天 |
| 模型微调 | 第 26 章 | LoRA/QLoRA、数据准备、训练与评估 | 3-5 天 |
| 评估与优化 | 第 27-28 章 | LLM 评估体系、幻觉检测 | 3-5 天 |
| 实战案例 | 第 29-30 章 | 智能客服、知识问答系统 | 5-7 天 |
| 进阶服务化 | 第 31-33 章 | LangServe、语义缓存、用户反馈 | 3-5 天 |
总计约 8-9 周。
- Python >= 3.10
- uv（推荐）或 pip
# 克隆项目
git clone <repo-url>
cd learn_langchain
# 安装依赖（使用 uv）
uv sync
# 或使用 pip
pip install -e .# 复制环境变量模板
cp .env.example .env编辑 .env，填入你的 API Key。项目支持多个 LLM 提供商：
| 提供商 | 环境变量 | 申请地址 |
|---|---|---|
| GLM（智谱 AI） | GLM_API_KEY |
https://open.bigmodel.cn/ |
| DeepSeek | DS_API_KEY |
https://platform.deepseek.com/ |
| Qwen（通义千问） | QWEN_API_KEY |
https://dashscope.console.aliyun.com/ |
| LangSmith（可选） | LANGCHAIN_API_KEY |
https://smith.langchain.com/ |
至少配置其中一个提供商即可运行大部分示例。
# 验证环境
python demo/01_01_verify_setup.py
# LLM 基础
python demo/02_01_chat_basics.py
# RAG 检索增强
python demo/06_02_rag_pipeline.py
# ReAct Agent
python demo/10_01_react_agent.py
# LangGraph
python demo/13_01_stategraph_basics.py- LangChain - LLM 应用开发框架
- LangGraph - 多 Agent 工作流编排
- FAISS - 向量相似度检索
- GLM（智谱 AI） - 默认 LLM 提供商
- DeepSeek - 备选 LLM 提供商
- Qwen（通义千问） - 备选 LLM 提供商
- Python-dotenv - 环境变量管理
完整学习文档位于 docs/ 目录，包含详细的概念讲解和代码示例说明。
学习大纲详见 docs/README.md。
MIT