github地址https://github.com/share-budaozhe/AI-DevelopmentCourse/tree/master/langchain-demo项目目标本项目通过 5 个递进的 Demo覆盖 LangChain 框架的核心应用场景。每个 Demo 都是可独立运行的 Python 脚本配有详细的知识点说明、启发性问题和参考答案。架构总览用户输入 | v --------- ----------- ----------- | Prompt | - | LLM | - | Output | | Template | | (OpenAI/ | | Parser | | | | DeepSeek) | | | --------- ----------- ----------- | | v v --------- ----------- | Memory | | Tools | | | | (Agent) | --------- ----------- | | v v ----------------------------- | Retrieval (Vector Store) | | Document - Split - Embed | -----------------------------学习路径阶段Demo核心知识前置要求入门01 基础Model I/O, Prompt, Parser无进阶02 ChainsLCEL, Runnable 组合Demo 01进阶03 RAG文档检索、向量存储Demo 01高级04 AgentsTools, ReAct, 自主决策Demo 01, 02高级05 Memory对话历史、会话管理Demo 01, 02技术栈框架 : LangChain 1.x LangGraph LLM 后端 : OpenAI (GPT-4o-mini) / DeepSeek (deepseek-chat) 向量数据库 : ChromaDB Embedding : OpenAI text-embedding-3-small 配置管理 : python-dotenv 如何切换 LLM 后端 编辑 .env 文件: # 使用 DeepSeek LLM_PROVIDERdeepseek DEEPSEEK_API_KEYsk-你的key # 或使用 OpenAI (默认) LLM_PROVIDERopenai OPENAI_API_KEYsk-你的key 注意: DeepSeek 目前不提供 Embedding API因此 Demo 03 (RAG) 中的向量化仍需 OpenAI API。LangChain 学习 Demo一套覆盖 LangChain 核心应用场景的演示代码配有详细的知识点文档、启发性问题和参考答案。每个 Demo 都支持演示模式(自动运行) 和交互模式(动手实验)。项目结构 langchain-demo/ ├── main.py # 总入口支持 --guided / --interactive ├── requirements.txt ├── .env.example # 支持 OpenAI DeepSeek ├── README.md ├── demos/ │ ├── config.py # 统一 LLM 配置模块 │ ├── demo_01_basics.py # 基础 交互式自由提问/角色扮演/翻译 │ ├── demo_02_chains.py # Chains 交互式链实验台 │ ├── demo_03_rag.py # RAG 交互式知识库问答 │ ├── demo_04_agents.py # Agents 交互式智能助手 │ └── demo_05_memory.py # Memory 交互式多轮对话/会话切换 ├── data/ # RAG 知识文档 └── docs/ # 学习文档 ├── overview.md ├── 01_basics.md ~ 05_memory.md ├── questions/ # 启发性问题 (40 题) └── answers/ # 参考答案快速开始pip install -r requirements.txt copy .env.example .env # 编辑填入 API Key python main.py # 菜单选择模式使用方式主入口 main.py命令说明python main.py菜单选择 (可输入 g/i/数字)python main.py --guided演示模式: 运行全部python main.py --guided 1 3演示模式: 运行 Demo 01, 03python main.py --interactive 1交互模式: Demo 01 自由提问python main.py --interactive 3交互模式: Demo 03 RAG 问答单独运行 Demo python demos/demo_01_basics.py # 启动后选择 [1]演示 或 [2]交互 python demos/demo_03_rag.py # 交互模式可自由提问知识库 每个 Demo 的交互功能Demo交互模式功能命令01 基础自由提问 / 角色扮演 / 翻译/qa/role/trans02 Chains翻译链 / 笑话冷知识 / 摘要 / 词汇解释 / 字数统计/trans/joke/summary/explain/count03 RAG基于知识库的问答显示检索来源/sources04 Agents自由向 Agent 提问观察工具调用过程/trace/tools05 Memory多轮对话会话切换/查看历史/清除/switch/history/clear/sessions统一退出命令:/quitDemo 说明Demo主题涉及概念code-snippet__js 01 基础ChatOpenAI, ChatPromptTemplate, StrOutputParser, CommaSeparatedListOutputParser, LCEL02ChainsRunnableParallel, RunnablePassthrough, RunnableLambda, itemgetter, 管道 03RAGTextLoader, RecursiveCharacterTextSplitter, Embeddings, Chroma, 检索链04Agentstool 装饰器, create_react_agent, ReAct 循环, 多工具协同05MemoryRunnableWithMessageHistory, InMemoryChatMessageHistory, 多会话隔离学习路径先阅读 docs/overview.md 了解整体架构 运行每个 Demo 的演示模式观察输出 进入交互模式动手实验 阅读对应的 docs/0X_xxx.md 理解知识点 思考 docs/questions/ 中的启发性问题 对照 docs/answers/ 中的参考答案检查理解知识点1. Chat Model (模型调用)from config import get_llm llm get_llm(temperature 0.7 ) response llm.invoke( 用一句话介绍 Python )LangChain 的 ChatOpenAI 封装了 OpenAI 兼容的 Chat Completion API。invoke() 是 LangChain 的标准调用接口所有 Runnable 对象都支持。temperature 控制输出的随机性: 0确定性, 1高随机性。2. ChatPromptTemplate (提示词模板)template ChatPromptTemplate.from_messages([ ( system , 你是一位{role}请用{style}的风格回答问题。 ), ( human , {question} ) ]) prompt_value template.invoke({ role : 专家 , style : 简洁 , question : ... })Prompt 模板将变量与模板分离使得同一结构可复用。消息列表支持 system / human / ai 三种角色。3. OutputParser (输出解析器)from langchain_core.output_parsers import StrOutputParser, CommaSeparatedListOutputParser parser CommaSeparatedListOutputParser() chain template | llm | parser result chain.invoke({...}) # 返回 list 而非 strOutputParser 将模型的原始文本输出转换为结构化数据。常用的还有: JsonOutputParser, PydanticOutputParser, StructuredOutputParser。4. LCEL 管道 (|)chain prompt | llm | parser| 是 LangChain Expression Language 的管道操作符将 Runnable 串联为一个 DAG (有向无环图)。设计要点get_llm() 自动根据 LLM_PROVIDER 环境变量选择 OpenAI 或 DeepSeek所有 Demo 在 __main__ 开头调用 check_api_key() 进行前置校验print_config() 打印当前使用的后端和模型名称Demo 02 – Chains: LCEL 链式编排目标掌握 LCEL 的核心 Runnable 类型及其组合方式。涉及文件demo_02_chains.py知识点1. RunnableParallel – 并行执行python parallel_chain RunnableParallel(jokejoke_chain, factfact_chain) result parallel_chain.invoke({topic: 编程}) # result: {joke: ..., fact: ...}多个子链共享同一输入并行执行 (实际并行度取决于后端)。输出是一个字典key 为分支名。2. RunnablePassthrough – 透传增强python chain RunnablePassthrough.assign( summaryprompt | llm | StrOutputParser() ) result chain.invoke({text: ..., style: 一句话}) # result: {text: ..., style: 一句话, summary: 新生成的字段}.assign() 在原字典基础上追加新字段不修改原有字段。非常适合 “输入 LLM处理结果” 的模式。3. itemgetter – 字段提取python chain ( {word: itemgetter(word), target_lang: itemgetter(target_lang)} | prompt | llm | StrOutputParser() ) result chain.invoke({word: ML, target_lang: 中文, extra: ignored})itemgetter 从输入字典中提取指定字段忽略多余的键。等价于 RunnableLambda(lambda d: {“word”: d[“word”]})。来自 Python 标准库 operator。4. RunnableLambda – 自定义逻辑python chain RunnableLambda(word_count) | RunnableLambda(format_output)将任意 Python 函数包装为 Runnable融入 LCEL 管道中。适合处理数据转换、格式化等轻量逻辑。设计要点LCEL 的核心理念是 “一切皆 Runnable”通过 | 自由组合数据在管道中流动的形式始终是 dictRunnablePassthrough.assign() 是构建复杂链最常用的模式之一Demo 03 – RAG: 检索增强生成目标完整走通 RAG 的全流程理解每个环节的作用与实现。涉及文件demo_03_rag.pydata/langchain_intro.txtdata/python_tips.txt知识点RAG 全流程文档 (txt) - [TextLoader] 加载 - [RecursiveCharacterTextSplitter] 切分为 chunk - [OpenAIEmbeddings] 向量化 - [Chroma] 存储到向量数据库 - [Retriever] 查询时检索 Top-K - [Prompt LLM] 增强生成1. Document Loader – 文档加载python from langchain_community.document_loaders import DirectoryLoader, TextLoader loader DirectoryLoader(./data, glob*.txt, loader_clsTextLoader) docs loader.load() # 返回 List[Document]LangChain 内置 100 种 Loader支持 PDF、网页、数据库等。这里用最简单的 TextLoader。2. Text Splitter – 文本切分python from langchain_text_splitters import RecursiveCharacterTextSplitter splitter RecursiveCharacterTextSplitter( chunk_size300, chunk_overlap50, separators[\n\n, \n, 。, , ] ) splits splitter.split_documents(docs)chunk_size300: 每个文本块最多 300 字符chunk_overlap50: 相邻块重叠 50 字符避免语义断裂separators: 按优先级尝试分割符3. Embeddings – 向量化python embeddings get_embeddings() # text-embedding-3-small将文本转换为固定维度的浮点向量 (1536 维)语义相近的文本在向量空间中距离更近。4. Vector Store – 向量存储python from langchain_chroma import Chroma vectorstore Chroma.from_documents( documentssplits, embeddingembeddings, persist_directory./chroma_rag_demo )Chroma 是轻量级的开源向量数据库支持本地持久化。首次运行时创建向量库后续可从磁盘加载。5. Retrieval Chain – 检索链python retriever vectorstore.as_retriever(search_kwargs{k: 3}) rag_chain ( {context: retriever | format_docs, question: RunnablePassthrough()} | prompt | llm | StrOutputParser() )retriever 根据查询返回最相关的 k 个文档片段作为上下文注入 Prompt让 LLM 基于真实内容回答。设计要点build_vectorstore() 封装了 Load - Split - Embed - Store 全流程format_docs() 将检索到的文档片段拼接为 LLM 可读的文本格式向量存储支持持久化避免每次运行都重新向量化Demo 04 – Agents: 智能体与工具调用目标理解 Agent 的工作原理: LLM 如何自主决策、调用工具、完成复杂任务。涉及文件demo_04_agents.py知识点1. Tool 的定义python from langchain_core.tools import tool tool def calculator(expression: str) - str: # 执行数学计算。输入如 2 3 * 4。 ... tool def word_length(word: str) - str: # 返回一个词的字符数。 ... tool 装饰器将普通函数注册为 LangChain Tool。函数的docstring非常重要 – Agent 靠它来判断何时使用哪个工具。2. ReAct Agentpython from langgraph.prebuilt import create_react_agent agent create_react_agent(modelllm, toolstools) result agent.invoke({messages: [(user, 计算 (35)*7)]})LangGraph 的 create_react_agent 实现了 ReAct (Reasoning Acting) 模式:用户提问 - LLM 推理 - 决定调用工具 - 工具执行 - 观察结果 - LLM 再推理 - ... - 最终回答3. result[“messages”] 的结构python result agent.invoke({messages: [(user, q)]}) # result[messages] 包含完整轨迹: # [HumanMessage, AIMessage(tool_calls[...]), ToolMessage(...), AIMessage(content最终回答)]最后一条 AIMessage 的 content 是最终答案。中间的 ToolMessage 记录了每次工具调用的输入和输出。4. 多工具协同Agent 可以连续调用多个工具来完成一个任务:Q: 把 Hello World 反转然后告诉我反转后的字符串有多长 - Agent 调用 reverse_string(Hello World) - dlroW olleH - Agent 调用 word_length(dlroW olleH) - 11 - 最终回答: 反转后是 dlroW olleH共 11 个字符设计要点Tool 的 docstring 决定了 Agent 能否正确选择工具必须描述清楚功能和参数Agent 不保证一定调用工具 – 如果 LLM 认为可以直接回答会跳过工具调用使用安全的 eval 命名空间 (空 __builtins__) 防止代码注入Demo 05 – Memory: 对话记忆管理目标理解如何在多轮对话中保持上下文以及多会话隔离的实现方式。涉及文件demo_05_memory.py知识点1. RunnableWithMessageHistorypython from langchain_core.runnables.history import RunnableWithMessageHistory chain_with_history RunnableWithMessageHistory( chain, get_session_history, # 历史记录获取函数 input_messages_keyinput, # 新输入的 key history_messages_keyhistory, # 历史消息的 key )RunnableWithMessageHistory 是一个包装器它:调用前: 从 get_session_history(session_id) 加载历史注入 Prompt: 将历史消息填入 MessagesPlaceholder调用后: 将本次对话追加到历史中2. ChatMessageHistorypython from langchain_core.chat_history import InMemoryChatMessageHistory store {} def get_session_history(session_id: str): if session_id not in store: store[session_id] InMemoryChatMessageHistory() return store[session_id]InMemoryChatMessageHistory 在内存中存储消息列表。生产环境可替换为 RedisChatMessageHistory 或数据库持久化。3. MessagesPlaceholderpython from langchain_core.prompts import MessagesPlaceholder prompt ChatPromptTemplate.from_messages([ (system, 你是一个友好的助手。), MessagesPlaceholder(variable_namehistory), # 历史消息插入点 (human, {input}), ])MessagesPlaceholder 在 Prompt 中预留一个位置运行时由 RunnableWithMessageHistory自动填入历史消息列表。4. 多会话隔离python # 会话 A chain.invoke({input: 我叫 Alice}, config{configurable: {session_id: session_a}}) # 会话 B (完全独立的上下文) chain.invoke({input: 我叫 Bob}, config{configurable: {session_id: session_b}}) # 回到会话 A -- 记得 Alice chain.invoke({input: 还记得我叫什么吗?}, config{configurable: {session_id: session_a}})通过 session_id 区分不同用户的对话历史互不干扰。configurable 字典是 LangChain 传递运行时配置的标准方式。设计要点get_session_history 使用惰性创建首次访问时才创建历史对象store 字典在模块级别生产环境应使用 Redis/数据库HumanMessage vs AIMessage 可用于区分对话角色学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】