第 0 课LangChain 学习路线与环境准备配套代码仓库https://gitee.com/wang-zeyong111/lang-chain-lecture本课定位该课不是写代码最多的一课却是后面能不能学顺的关键。LangChain 的生态很大如果一上来就追 API很容易陷入“今天看 Chain明天看 Agent后天又看到 LangGraph”的碎片化状态。本课要先建立一张地图LangChain 解决什么问题哪些概念是主干哪些是进阶能力学习时应该按什么顺序推进。学习目标理解 LangChain 在 LLM 应用开发中的位置。区分 LangChain、LangGraph、LangSmith 的职责。准备 Python、Jupyter、依赖包和模型 API Key。建立“模型调用 - 链 - Agent - RAG - LangGraph - 生产化”的学习路线。了解本课程为什么以 v1 风格为主同时兼顾 v0.3 常见写法。一、LangChain 是什么LangChain 是一个用于开发 LLM 应用的工程框架。它把模型、提示词、消息、工具、数据检索、Agent 编排、观测和评估这些能力组织成统一接口让你不用每个项目都从零搭一套胶水代码。从工程角度看LangChain 的价值有四点统一模型接口不同模型供应商的 SDK 差异很大LangChain 提供相对统一的聊天模型接口。统一上下文表达系统消息、用户消息、AI 消息、工具消息都能用标准对象表达。统一组合方式提示模板、模型、解析器、检索器、工具可以通过 Runnable 组合。统一应用范式常见的 RAG、工具调用、Agent、流式传输、记忆都已有成熟模式。二、LangChain 生态三件套LangChain主要负责快速构建 LLM 应用。适合调用聊天模型管理 prompt结构化输出使用工具快速创建 Agent搭建普通 RAG。LangGraph主要负责低级、可控、有状态的 Agent 编排。适合多节点、多分支工作流长时间运行任务持久化执行人工审核可恢复、可回放的 Agent多 Agent 协作。LangChain v1 的create_agent底层建立在 LangGraph 之上。初学时不必先学 LangGraph但当你需要精确控制 Agent 的每一步时就应该进入 LangGraph。LangSmith主要负责生产化过程中的观测、调试和评估。适合查看每次模型调用的输入输出跟踪链路中每一步耗时建立评估数据集对比不同 prompt、模型和检索策略监控生产环境表现。三、推荐学习路线阶段 1基础抽象对应第 01-02 课。你需要掌握聊天模型如何初始化消息对象如何组织上下文prompt 如何模板化Runnable 链如何把多个组件组合起来。这一阶段的目标是能写出稳定、可复用的单步或固定多步 LLM 应用。阶段 2应用能力对应第 03-05 课。你需要掌握如何让模型返回结构化结果如何把 Python 函数变成工具Agent 如何决定调用工具如何保存短期记忆如何流式返回中间过程。这一阶段的目标是能做出可交互、能调用外部能力的 LLM 应用。阶段 3数据增强对应第 06-07 课。你需要掌握文档加载和切分embedding 和向量检索检索结果如何放入 prompt如何要求答案引用来源什么时候使用 Agentic RAG。这一阶段的目标是能做企业知识库、文档问答和检索增强助手。阶段 4工程化对应第 08-09 课。你需要掌握LangGraph 状态图节点、边、条件分支调试和评估LangSmith tracing生产化检查清单。这一阶段的目标是从“能跑 demo”走向“能上线、能评估、能维护”。四、版本理解v1 与 v0.3LangChain 的历史版本中常见LLMChain、ConversationBufferMemory、AgentExecutor等写法。新版本更推荐用Runnable表达链式组合用create_agent创建常见 Agent用 LangGraph 管理复杂状态用response_format或with_structured_output做结构化输出用 checkpointer 管理线程级短期记忆。学习时不要只背旧教程代码。更重要的是理解抽象模型接收消息工具扩展能力检索补充上下文图管理状态。五、环境准备重点推荐环境Python 3.10 或更高JupyterLab 或 Notebooklangchainlanggraphlangchain-openailangchain-communitylangchain-text-splitterslangsmithpython-dotenvpydantic2。API Key 不要写入 notebook 源码。建议用环境变量setOPENAI_API_KEY你的密钥setLC_MODELopenai:gpt-5-nano如果没有真实模型 Key可以先使用 Fake 模型学习数据流。Fake 模型不能真正理解问题但能让你先跑通 LangChain 的对象关系。六、学习时最容易踩的坑只看代码不看消息流Agent 的本质就是消息和工具结果的循环。过早上 LangGraph简单固定步骤先用 Runnable 链别一上来就做复杂图。把 RAG 当成“把全文塞进 prompt”RAG 的重点是检索正确上下文。只做 demo 不做评估LLM 应用没有评估集很难长期维护。API Key 写进 notebook这会带来安全风险。七、本课自测清单我能说清 LangChain、LangGraph、LangSmith 的区别。我知道什么时候用模型调用、链、Agent、RAG、LangGraph。我能在 Jupyter 中检查当前 Python 环境。我知道如何通过环境变量配置模型。我知道没有 API Key 时如何用 Fake 模型先学习。八、课后练习写下你最想完成的 LangChain 项目例如企业知识库、客服 Agent、代码助手。判断这个项目需要哪些层模型、工具、RAG、记忆、LangGraph、评估。在00_学习路线与环境准备.ipynb中运行环境检查单元格。如果有 API Key完成一次真实模型调用如果没有确认 Fake 模型示例能运行。