# 智能体学习

**Repository Path**: ai_research/intelligent-agent-learning

## Basic Information

- **Project Name**: 智能体学习
- **Description**: No description available
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-10
- **Last Updated**: 2026-02-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LangChain 开发 AI Agent 的全栈学习

## 环境准备

有的时候，不同的项目用不同的开发环境， 可以用 venv 方法管理开发环境，也可以用 conda

###  创建并激活虚拟环境（可选但推荐）
python -m venv langchain-env
## # Windows激活
langchain-env\Scripts\activate
###  Mac/Linux激活
source langchain-env/bin/activate

###  安装核心包（2026年最新版，含LangGraph）
pip install langchain langchain-core langchain-community langgraph langsmith
### 可选：如果用OpenAI模型，安装对应集成包
pip install langchain-openai

### 国内大模型的主要选 Qwen， 其他的学习成本差不多， siliconflow 是个备胎
### 按照需要逐步装 SDK

## 学习路径

LangChain是一套AI应用开发框架，核心价值是通过模块化组件和链式编排，让开发者快速构建基于大模型的复杂Agent应用（如问答、自动化工作流）。
二、核心概念学习（从易到难，循序渐进）
新手不用一次性学完所有概念，按 “基础组件→简单 Chain→Agent→LangGraph” 的顺序来：
1. 第一阶段：核心基础组件（必学）
PromptTemplate：提示词模板，解决硬编码提示词的复用问题（上面示例已用到）。
Model I/O：模型调用层（ChatOpenAI/Claude 等），统一不同大模型的调用接口。
OutputParser：输出解析器，把模型返回的原始字符串转成结构化数据（如 JSON、列表）。
Document Loaders & Splitters：文档加载 / 分割，RAG（检索增强生成）的基础。
2. 第二阶段：Chain（链式调用）
核心思想：把 “提示词→模型→解析器” 等步骤封装成可复用的链条，支持组合和嵌套。
实战案例：构建一个简单的 RAG 问答 Chain（加载本地文档→检索→回答）。
3. 第三阶段：Agent（智能代理）
核心思想：让模型自主决策 “调用哪些工具→执行→判断是否需要继续”，是 LangChain 的核心价值。
关键组件：Tool（工具，如计算器、搜索引擎）、AgentExecutor（Agent 执行器）、Memory（记忆）。
实战案例：构建一个能查天气 + 计算的多工具 Agent。
4. 第四阶段：LangGraph（进阶，2026 年主流）
核心思想：替代传统 AgentExecutor，用 “图结构” 管理 Agent 的状态和流程（支持循环、分支、检查点），更适合生产级复杂 Agent。
核心价值：解决传统 Agent“流程不可控、调试难” 的问题，是当前 LangChain 的主推方向。