LangChain与LangGraph速成课程：从基础到高级Agent工作流构建指南

本课程是面向AI应用开发者的实践型教程，采用纯Python脚本形式呈现，涵盖LangChain基础组件、LangGraph工作流编排、RAG系统进阶等完整内容，帮助开发者快速掌握两大框架核心能力，培养工程化开发习惯。

LangChain LangGraph Crash Course（LLCC）定位为从零掌握框架的实践教程，区别于官方文档的Jupyter Notebook，采用带详尽注释的纯Python脚本，可直接运行。学习路径为：先掌握LangChain基础组件，再通过LangGraph编排完整工作流，适合有Python基础、希望快速上手大模型应用开发的工程师。

对话模型与提示词模板

第一个示例simple_llm_application.py展示基础LLM调用模式，通过Chat Models与Prompt Templates构建对话应用，强调LangChain Expression Language（LCEL）的声明式链式组装语法，提升可读性与扩展性。

语义搜索引擎构建

第二个示例semantic_search_engine.py引入RAG基础组件，演示从PDF加载内容、向量嵌入（text-embedding-3-large）、向量数据库存储，揭示语义搜索通过向量相似度捕捉语义关联的优势。

文本分类与结构化输出

text_classifier.py利用大模型结构化输出实现文本分类；data_extractor.py通过Few-Shot Prompting提取结构化数据，展现LangChain构建文本理解流水线的能力。

智能Agent与工具调用

agent.py构建具备网络搜索能力的智能Agent，定义工具、系统提示词及决策循环，自主决定是否调用工具整合外部信息。LangGraph提供更清晰的架构抽象与状态管理能力。

人机协作模式

agent_human_assistance.py实现Human-in-the-loop模式，Agent遇不确定情况时暂停等待人类输入，确保高风险场景的可控性与安全性。

时间旅行与状态回溯

agent_time_travel.py展示状态历史管理功能，支持查看执行轨迹、回溯任意状态、修改决策重新执行，助力调试复杂Agent行为。

基础RAG与自查询

rag.py实现标准RAG流程（文档加载→分块→嵌入→索引→检索→生成），引入Self-Query技术，让大模型自动生成检索过滤器提升精准度（如提取年份和主题过滤）。

多步推理与ReAct模式

rag_delegation.py采用ReAct模式（Reasoning + Acting），Agent交替思考（分析信息、规划行动）与行动（检索/计算），提升处理复杂多跳问题的能力。

课程推荐进阶资源：

• LLM Course by Maxime Labonne（系统性LLM理论与实践）
• LLM Engineer's Handbook（生产环境LLM工程实践）
• Hugging Face Agents Course（免费Agent构建课程）
• 官方文档（LangChain和LangGraph教程与API）

版本提醒：教程基于LangChain 1.0前版本，核心逻辑不变，需参考迁移指南调整少量语法。

学习建议：按课程顺序逐步实践，先掌握基础组件独立使用，再学习复杂工作流编排。纯Python脚本形式更符合工程代码组织方式，培养良好开发习惯。

总结：LLCC以实用为核心，通过可运行代码快速建立体感，是理解大模型原理后构建应用的高质量资源。