Learning Path
浏览 LangChain 相关教程与章节。
AI Agent、机器学习、深度学习、数据分析与 Python 科学计算。
教程
43
LangChain 教程 LangChain 是一套用于构建 AI 智能体（AI Agent）和大语言模型（LLM）应用的开发框架。 LangChain 可以帮助开发者快速构建基于 GPT、Claude、Gemini 等大模型的复杂 AI 应用。 LangChain 由 Harrison Chase 于 2022 年 10 月推出，核心目标是：简化大语言模型应用开发流程。 LangChain提供统一接口，可..
LangChain Agent API create_agent() 完整参数 参数类型默认值说明 modelstr 或 BaseChatModel无（必填）语言模型 toolsSequence 或 NoneNone工具列表。支持 @tool 函数、Pydantic 模型、dict system_promptstr 或 SystemMessage 或 NoneNone系统提示词 middlewareSequ..
LangChain AgentState 状态管理 Agent 在执行过程中需要维护状态——消息历史、结构化响应、流程控制等。理解 AgentState 的结构和用法，是自定义 Agent 行为的关键。 AgentState 结构 AgentState 是一个 TypedDict，默认包含三个字段： 实例 [mycode4 type='python'] from typing import Annot..
LangChain Agent 工作流程 上一节我们了解了 create_agent() 的参数。本节深入 Agent 内部，理解它是如何工作的——模型和工具之间如何协作，Agent 什么时候停止。 Agent 执行循环 Agent 的核心是一个简单的循环：调用模型 → 检查是否需要工具 → 执行工具 → 重复。直到模型不再请求工具调用，Agent 停止并返回最终结果。 下面我们通过追踪 Agent 的每一步来理解这个过程。..
LangChain @before_agent 与 @after_agent before_agent 和 after_agent 是 Agent 级别的钩子，分别在 Agent 执行之前和完成之后各执行一次。适合做初始化、预处理、后处理和统计分析。 before_agent——Agent 开始前的准备工作 before_agent 在 Agent 正式开始执行前运行，只执行一次。你可以在这里做输入预处理、用户信息验证、资源初..
LangChain 中间件钩子 -- @before_model 与 @after_model before_model 和 after_model 是最常用的两个 中间件（Middleware） 钩子。它们在每次模型调用前后执行，适合做内容过滤、消息预处理、响应审核等。 @before_model——模型调用前拦截 @before_model 在每次调用模型之前执行。你可以在这里修改消息、注入上下文条件、或直接跳过模型调用。..
LangChain Chat Model API 本文档列出 init_chat_model() 和 BaseChatModel 的完整 API 参考。 init_chat_model() 完整参数 参数类型默认值说明 modelstr 或 None无模型名，格式为 provider:model_name。传 None 创建可配置模型 model_providerstr 或 NoneNone单独指定提供商。当 m..
LangChain 对话记忆 -- Checkpointer 默认情况下，每次 agent.invoke() 都是独立的——Agent 不记得之前聊过什么。Checkpointer（检查点保存器）让 Agent 能够记住对话历史，实现真正的多轮对话。 没有 Checkpointer 的问题 先看看没有 Checkpointer 时的情况： 实例 [mycode4 type='python'] from..
LangChain 配置与错误类 RunnableConfig 配置项 字段类型说明 configurabledict运行时配置。最常用：thread_id 用于 Checkpointer recursion_limitint最大递归深度（默认 9999） metadatadict附加元数据 tagslist[str]标签列表，用于过滤和分组追踪 callbackslist[BaseCallbackHa..
LangChain create_agent() 函数 create_agent() 是 LangChain 最核心的函数，它会创建一个完整的 Agent 图（StateGraph），包含模型调用、工具执行、循环控制等全部逻辑。 语法 create_agent() 函数语法格式如下： from langchain.agents import create_agent agent = create_agent( mode..
LangChain 集成 DeepSeek 本章节介绍如何在 LangChain 中集成和使用 DeepSeek 聊天模型。 通过 langchain-deepseek 扩展包，开发者可以快速接入 DeepSeek 提供的大语言模型服务。 DeepSeek 模型既支持官方托管 API，也支持通过 Ollama、Fireworks、Together 等平台进行本地或第三方推理部署。 除了官方API接口外，我们..
LangChain 文档加载与切分 之前的文章我们手动输入文本，但在实际项目中，文档可能来自 PDF、网页、Markdown 文件等。本节介绍如何使用 Document Loader 加载各类文档，以及如何用 Text Splitter 将文档切分成适合检索的小块。 Document Loader——加载文档 LangChain 提供了数十种文档加载器，覆盖常见文件格式： Loader来源安装包 TextLoade..
LangChain 环境搭建 本篇将带你完成 LangChain 的安装和配置，确保你能顺利运行第一个 LangChain 程序。 环境要求 项目最低版本推荐版本 Python3.103.11 或 3.12 pip22.0最新版 操作系统macOS / Linux / Windows 均可 检查 Python 版本： $ python --version Python 3.12.7 如果你还没有安..
LangChain 错误处理与调试 Agent 开发中不可避免会遇到各种错误。本篇梳理常见错误类型、调试方法和最佳实践。 常见错误类型 错误类型典型原因解决方案 ImportError未安装提供商包pip install langchain-deepseek 等 API Key 错误.env 未配置或 Key 无效检查环境变量和 Key 有效性 超时错误网络问题或模型响应慢设置 timeout 参数 To..
第一个 LangChain Agent Agent 是 LangChain 最核心的概念，它能让 AI 自动判断何时需要调用工具，并在获取工具结果后继续思考，直到完成任务。 什么是 Agent 普通的模型调用是一问一答：你发消息，模型回消息，结束。 Agent 则不同，它进入一个 思考-行动-观察 循环：模型判断需要调用某个工具 → 执行工具并拿到结果 → 模型根据结果继续思考 → 可能再调用工具 → 直到得出最终答案。 ..
LangChain 人工介入 在生产环境中，有些操作需要人工确认——比如发送邮件、执行删除、处理支付。人工介入（HITL，Human-in-the-Loop）让 Agent 在关键时刻暂停，等待人工审批后继续。 interrupt()——在工具中暂停执行 interrupt() 函数可以让工具执行到一半时暂停，等待外部输入后再继续： 实例 [mycode4 type='python'] from la..
LangChain 模型调用 -- init_chat_model() 函数 LangChain init_chat_model() 是 LangChain 中最常用的函数之一，它让你用统一的方式连接 20 多种模型提供商，不需要记忆每个提供商的类名和参数差异。 语法 init_chat_model() 函数语法如下： from langchain.chat_models import init_chat_model # 完整语..
LangChain 简介 LangChain 是一个用于构建大语言模型（LLM）应用的 Python 框架。 LangChain 提供统一的接口来连接各种 AI 模型，并支持构建能够自动调用工具、检索知识、记住上下文的智能 Agent。 LangChain 是什么 简单来说，LangChain 解决了一个核心问题：让大语言模型能够与外部世界交互。 原生的 LLM 只能根据训练数据生成文本。但实际应用中，我们需要 AI 能够查..
LangChain LangSmith -- 可观测性 LangSmith 是 LangChain 官方的可观测性平台，帮助你追踪 Agent 执行过程、监控性能、调试问题。 LangSmith 是什么 当 Agent 在后台运行时，你看不到它内部发生了什么——调用了哪些模型、执行了哪些工具、每一步消耗了多少 Token。LangSmith 解决了这个'黑盒'问题。 功能说明 执行追踪记录 A..
LangChain Messages API 所有消息类型 类型roletype关键属性说明 HumanMessageuserhumancontent用户消息 AIMessageassistantaicontent, tool_calls, usage_metadataAI 回复 AIMessageChunkassistantaicontent（增量）流式输出的 Token 片段 SystemMessage..
LangChain 消息类型 在 LangChain 中，所有的对话都通过消息（Message）对象传递。理解各种消息类型的用途是编写 Agent 的基础。 四种核心消息类型 LangChain 定义了四种核心消息类型，分别对应对话中的不同角色： 类型角色说明典型内容 HumanMessage用户用户发送的消息'今天天气怎么样？' AIMessageAI 助手模型的回复，可能包含 tool_..
LangChain Middleware API AgentMiddleware 基类钩子方法 方法签名执行频率返回值 before_agent(state, runtime) → dict 或 None1 次状态更新或 None abefore_agent(state, runtime) → dict 或 None1 次状态更新或 None before_model(state, runtime) → dic..
LangChain 中间件（Middleware） LangChain Middleware（中间件）是 LangChain 最强大的特性。它让你在 Agent 执行的各个环节插入自定义逻辑，实现重试、降级、缓存、内容过滤、日志记录等功能——而不需要修改 Agent 本身的代码。 什么是 Middleware Middleware 是 Agent 执行流程中的钩子（Hook）。每个钩子让你在特定的时间点执行自定义代码： ..
LangChain Chat Model 高级用法 本节介绍 Chat Model 的两个高级功能：bind_tools()（绑定工具）和 with_structured_output()（结构化输出）。它们是 Agent 和结构化数据提取的基础。 bind_tools()——让模型知道可以使用哪些工具 普通模型只能生成文本。但调用 bind_tools() 后，模型能在回复中返回 tool_call，告诉程序'我需..