LangChain - 使用 LangChain 和 LangGraph 开发 AI 代理 🦜🔗

通过构建真实世界的 AI 代理来学习 LangChain 和 LangGraph（Python，最新版本 V.1.0+）

本课程旨在教你如何快速利用 LangChain 库的强大功能来开发 LLM 应用程序。我们将构建 3 个端到端可用的基于 LangChain 的生成式 AI 应用程序，不拖泥带水，没有玩具示例——只有使用真实 API 和实际技能的真实项目。

💡 你将构建什么

本课程将带你完成 7 个真实世界的 AI 代理项目，从简单的“Hello World”应用到高级的代理系统：

项目	类型	描述
👋 LangChain Hello World	分支 (project/hello-world)	你的第一个 AI 代理——基本结构和 LLM 集成
🔎 现代搜索代理	分支 (project/search-agent)	使用 LangChain v.1 的 create_agent 接口构建搜索代理，集成自定义工具、Tavily，并实现结构化输出
🧠 Agents Under The Hood	分支 (project/agents-under-the-hood)	理解 AI 代理中的推理和行动模式
📄 RAG Gist	分支 (project/rag-gist)	检索增强生成的核心原理
📚 Documentation Helper	外部仓库	智能文档助手
💻 代码解释器	分支 (project/code-interpreter)	基于 AI 的代码执行和分析
🪞 反思代理	外部仓库	具有反思和批评能力的自我改进代理
🔄 Reflexion 代理	外部仓库	使用反思技术的高级自我纠正代理
🤖 Agentic RAG	外部仓库	高级检索增强生成系统

📚 课程亮点

• 7 个完整项目——从入门到高级实现，包括破冰者、文档助手和代码解释器
• 真实世界的应用——构建能够解决实际问题并使用实时 API 的代理
• 现代技术栈——LangChain v0.3+、LangGraph、Pinecone、FAISS、Streamlit
• 实用技能——学习 RAG、向量数据库、提示工程和代理工作流
• 互动式学习——按时间顺序跟随提交记录，逐步学习

🤔 学习路径

第一阶段：基础

1. Hello World Chain——基本代理结构和 LLM 集成
2. 代码解释器——工具调用和代码执行能力

第二阶段：真实世界应用

3. 破冰者——数据收集和社交媒体集成
4. 文档助手——RAG 实现和知识管理

第三阶段：高级概念

5. 博客分析器——多步推理和内容分析
6. Agentic RAG——具有记忆和规划能力的自我纠正代理

▶️ 开始学习

🛠️ 前置条件

• 这不是初学者课程——需要具备基本的软件工程概念
• 熟悉：git、Python、环境变量、类、测试和调试
• Python 3.10+
• 任何 Python 包管理器（uv、poetry、pipenv）——但不要使用 conda！
• 需要访问 LLM（可以是通过 Ollama 的开源模型，或 OpenAI、Anthropic、Gemini 等云服务提供商）
• 不需要机器学习经验

⚙️ 设置说明

1. 克隆仓库

   git clone https://github.com/emarco177/langchain-course
   cd langchain-course
   

2. 选择你的学习路径

   对于分支项目：

   # 从 Hello World 开始
   git checkout project/hello-world
   uv sync
   uv run python main.py
   
   # 进入代码解释器
   git checkout project/code-interpreter
   uv sync
   uv run python main.py
   

   对于外部仓库项目：

   # 克隆特定项目仓库
   git clone https://github.com/emarco177/ice_breaker
   cd ice_breaker
   # 按照项目特定的设置说明进行操作
   

3. 跟随提交记录

   • 每次提交代表一个知识点或功能实现
   • 使用 git log --oneline 查看学习进度
   • 可以检出之前的提交来理解开发过程

外部项目：

• Ice Breaker——社交媒体个人资料分析器
• Medium Analyzer——内容分析与洞察生成器
• Documentation Helper——AI 文档助手
• Reflection Agent——具有反思和批评能力的自我改进代理
• Reflexion Agent——使用反思技术的高级自我纠正代理
• Agentic RAG——高级检索增强生成系统

📚 学习目标

完成本课程后，你将能够：

• 使用现代框架从头开始构建 AI 代理
• 实现工具调用和外部 API 集成
• 创建带有向量数据库的 RAG 系统
• 设计多步推理工作流
• 将代理部署到生产环境
• 处理代理中的错误纠正和自我改进
• 优化代理的性能和成本效率

🙏 致谢

非常感谢 LangChain / LangGraph 团队及其出色的 文档和教程，正是这些资源让本课程成为可能。

🌟 支持

如果你觉得这个项目对你有帮助，请考虑：

• ⭐ 星标这个仓库
• 🐛 报告问题
• 💡 贡献改进
• 📢 分享给其他人

---

LangChain 课程快速上手指南

本指南旨在帮助开发者快速搭建环境并运行 langchain-course 中的实战项目，通过构建真实的 AI Agent 掌握 LangChain 和 LangGraph 的核心技能。

环境准备

在开始之前，请确保满足以下系统和软件要求：

• 操作系统：Linux, macOS 或 Windows (WSL2 推荐)
• Python 版本：Python 3.10 或更高版本
• 包管理器：推荐使用 uv (极速 Python 包安装器)，也支持 poetry 或 pipenv。注意：不支持 conda。
• 基础技能：熟悉 Git 操作、Python 类与函数、环境变量配置及调试。
• LLM 访问权限：
  • 云端 API：OpenAI, Anthropic (Claude), Google Gemini 等。
  • 本地模型：通过 Ollama 运行的开源模型。
• 无需机器学习背景：本课程侧重于应用开发而非算法训练。

国内加速建议： 若下载依赖较慢，可配置国内镜像源。对于 uv，可通过设置环境变量使用清华或阿里源：

export UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本项目采用分支（Branch）管理不同阶段的项目代码。请按以下步骤克隆仓库并初始化环境：

1. 克隆仓库

git clone https://github.com/emarco177/langchain-course
cd langchain-course

2. 选择并运行项目

课程包含多个独立项目，每个项目位于不同的 Git 分支中。以下是运行第一个项目（Hello World）和进阶项目（Code Interpreter）的示例：

示例 A：运行入门项目 (Hello World)

# 切换到 Hello World 分支
git checkout project/hello-world

# 同步依赖 (自动创建虚拟环境并安装包)
uv sync

# 运行主程序
uv run python main.py

示例 B：运行进阶项目 (Code Interpreter)

# 切换到代码解释器分支
git checkout project/code-interpreter

# 同步依赖
uv sync

# 运行主程序
uv run python main.py

3. 配置 API 密钥

在运行任何需要调用大模型的项目前，请在项目根目录下创建 .env 文件并填入你的 API 密钥：

# 创建 .env 文件
touch .env

# 编辑 .env 文件 (示例为 OpenAI)
echo "OPENAI_API_KEY=sk-your-key-here" >> .env

注：具体所需的环境变量名称请参考各分支下的 README 或 .env.example 文件。

4. 外部项目说明

部分高级项目（如 Ice Breaker, Documentation Helper）托管在独立的仓库中。如需运行这些项目，需单独克隆：

# 示例：克隆 Ice Breaker 项目
git clone https://github.com/emarco177/ice_breaker
cd ice_breaker
uv sync
uv run python main.py

基本使用

本项目的设计逻辑是**“通过提交历史学习”**。每个 Git Commit 代表一个教学步骤或功能实现。

最简单的使用流程

以 project/hello-world 为例：

1. 进入项目分支：

   git checkout project/hello-world
   uv sync
   

2. 查看学习路径： 使用以下命令查看该项目的开发历程，理解代码是如何一步步构建的：

   git log --oneline
   

3. 逐步回溯学习： 你可以检出（Checkout）之前的某个 commit 来查看当时的代码状态，理解功能的演进过程：

   # 查看倒数第 3 个提交的代码状态
   git checkout HEAD~3
   
   # 查看当时的代码文件
   cat main.py
   
   # 切回最新状态
   git checkout project/hello-world
   

4. 运行并交互： 确保 .env 已配置好 API Key，直接运行：

   uv run python main.py
   

   程序将启动一个简单的 AI Agent，你可以在终端中输入指令与其交互。

核心学习目标

完成上述步骤后，你将能够：

• 搭建基于 LangChain v1.0+ 的现代 AI 应用架构。
• 实现工具调用（Tool Calling）和外部 API 集成。
• 理解并构建 RAG（检索增强生成）系统。
• 利用 LangGraph 设计具有记忆和自我修正能力的高级 Agent。