LangChain - 使用 LangChain 和 LangGraph 开发 AI Agent 🦜🔗

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

本课程旨在教会你如何快速利用 LangChain 库的强大功能来开发 LLM 应用。你将构建 3 个端到端的 LangChain 生成式 AI 应用，拒绝冗余和玩具级示例，只使用真实 API 和现实世界中的专业技能。

💡 你将构建什么

本课程将带你完成 7 个真实世界的 AI Agent 项目，从简单的 Hello-World 应用到高级的 Agent 系统：

项目	类型	描述
👋 LangChain Hello World	分支 (project/hello-world)	你的第一个 AI Agent - 基础架构与 LLM 集成
🔎 现代搜索 Agent	分支 (project/search-agent)	使用 LangChain v.1 的 create_agent 接口、自定义工具、Tavily 集成及结构化输出构建搜索 Agent
🧠 Agent 原理解析	分支 (project/agents-under-the-hood)	理解 AI Agent 中的推理与行动模式
📄 RAG 核心	分支 (project/rag-gist)	检索增强生成（Retrieval-Augmented Generation）的核心要点
📚 文档助手	外部仓库	智能文档助手
💻 代码解释器	分支 (project/code-interpreter)	基于 AI 的代码执行与分析
🪞 反射 Agent	外部仓库	具有反射与批判能力的自我提升 Agent
🔄 Reflexion Agent	外部仓库	使用 Reflexion 技术的高级自我修正 Agent
🤖 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 - 从初级到高级实现，包括 Ice Breaker、文档助手和代码解释器
• 真实世界应用 - 构建解决实际问题的 Agent，并使用实时 API
• 现代技术栈 - LangChain v0.3+、LangGraph、Pinecone、FAISS、Streamlit
• 实战技能 - 学习 RAG、向量数据库、提示工程（Prompt Engineering）和 Agent 工作流
• 互动式学习 - 按时间顺序跟随 commit 进行循序渐进的学习

🤔 学习路径

第一阶段：基础

1. Hello World Chain - 基础 Agent 结构与 LLM 集成
2. 代码解释器 - 工具调用与代码执行能力

第二阶段：实际应用

3. Ice Breaker - 数据收集与社交媒体集成
4. 文档助手 - RAG 实现与知识管理

第三阶段：高级概念

5. 博客分析器 - 多步推理与内容分析
6. Agentic RAG - 具有记忆与规划能力的自我修正 Agent

▶️ 开始学习

🛠️ 前置条件

• 这不是一门入门级课程 - 需要掌握基本的软件工程概念
• 熟悉：Git、Python、环境变量、类、测试与调试
• Python 3.10+
• 任意 Python 包管理器（uv、poetry、pipenv） - 但请不要使用 conda！
• 可访问 LLM（可通过 Ollama 使用开源模型，或使用 OpenAI、Anthropic、Gemini 等云服务提供商）
• 无需机器学习经验

⚙️ 环境设置

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

   针对基于分支的项目：

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

   针对外部仓库项目：

   # 克隆特定的项目仓库
   git clone https://github.com/emarco177/ice_breaker
   cd ice_breaker
   # 遵循该项目特定的设置说明