github地址：https://github.com/share-budaozhe/AI-DevelopmentCourse/tree/master/langchain-demo

  1. 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。

  1. 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  |
+-----------------------------+
  1. 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 Chains LCEL, Runnable 组合 Demo 01
进阶 03 RAG 文档检索、向量存储 Demo 01
高级 04 Agents Tools, ReAct, 自主决策 Demo 01, 02
高级 05 Memory 对话历史、会话管理 Demo 01, 02
  1. 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_PROVIDER=deepseek
DEEPSEEK_API_KEY=sk-你的key
# 或使用 OpenAI (默认)
LLM_PROVIDER=openai
OPENAI_API_KEY=sk-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。
  1. 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
  1. 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
  1. 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, 03
python 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``/trans
02 Chains 翻译链 / 笑话+冷知识 / 摘要 / 词汇解释 / 字数统计 /trans``/joke``/summary``/explain``/count
03 RAG 基于知识库的问答，显示检索来源 /sources
04 Agents 自由向 Agent 提问，观察工具调用过程 /trace``/tools
05 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: /quit

  1. Demo 说明
Demo 主题 涉及概念
code-snippet__js 01 基础 ChatOpenAI, ChatPromptTemplate, StrOutputParser, CommaSeparatedListOutputParser, LCEL
02 Chains RunnableParallel, RunnablePassthrough, RunnableLambda, itemgetter, 管道 ` `
03 RAG TextLoader, RecursiveCharacterTextSplitter, Embeddings, Chroma, 检索链
04 Agents @tool 装饰器, create_react_agent, ReAct 循环, 多工具协同
05 Memory RunnableWithMessageHistory, InMemoryChatMessageHistory, 多会话隔离

  1. 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

  2. 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 str

OutputParser 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
  1. 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(joke=joke_chain, fact=fact_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(
summary=prompt | 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 dict
  • RunnablePassthrough.assign() 是构建复杂链最常用的模式之一
  1. 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.py
  • data/langchain_intro.txt
  • data/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_cls=TextLoader)
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_size=300, chunk_overlap=50,
separators=["\n\n", "\n", "。", " ", ""]
)
splits = splitter.split_documents(docs)

    chunk_size=300: 每个文本块最多 300 字符

  • chunk_overlap=50: 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(
documents=splits, embedding=embeddings,
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
  1. 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 Agent

python
from langgraph.prebuilt import create_react_agent
agent = create_react_agent(model=llm, tools=tools)
result = agent.invoke({"messages": [("user", "计算 (3+5)*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
  1. 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. RunnableWithMessageHistory

python
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_key="input", # 新输入的 key
history_messages_key="history", # 历史消息的 key
)

RunnableWithMessageHistory 是一个包装器，它:

  1. 调用前: 从 get_session_history(session_id) 加载历史
  2. 注入 Prompt: 将历史消息填入 MessagesPlaceholder
  3. 调用后: 将本次对话追加到历史中

2. ChatMessageHistory

python
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. MessagesPlaceholder

python
from langchain_core.prompts import MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个友好的助手。"),
MessagesPlaceholder(variable_name="history"), # 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🔋

在这里插入图片描述

📝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】

在这里插入图片描述

# 百度 # dubbo # microsoft # react.js # 前端框架
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

AtomGit 首发开源｜光轮智能发布全球首个十万小时级全模态人类行为开源数据集 EgoSuite-Open100K

avatar AtomGit开源社区
cover

AtomCode 全新上线万亿代码模型 LongCat-2.0。限时 7 天免费体验！

avatar AtomGit开源社区
cover

构筑赋能金融行业应用 Agent｜20 强决战北京，一场金融 Agent 的硬核答卷

avatar AtomGit开源社区