Get-Things-Done-with-Prompt-Engineering-and-LangChain · 学习资源

一、场景切入：当你的 PDF 能「开口说话」

想象这样一个画面：你上传了一份 300 页的技术文档，然后直接问它：「这份文档的核心创新点是什么？」——几秒钟后，AI 给出了精准的答案。这不是科幻，而是 Get Things Done with Prompt Engineering and LangChain 这门课程每天都在演示的场景。

这个项目由保加利亚机器学习工程师 Venelin Valkov（网名 curiousily）创建，是一个围绕 LangChain 框架展开的 Jupyter Notebook 教程合集，涵盖了从基础概念到生产部署的完整 LLM 应用开发生态。

二、项目背景：从 Kaggle 冠军到 AI 教育者

Venelin Valkov 并非默默无闻的独立开发者。他在 Kaggle 竞赛中多次获奖，积累了丰富的数据科学和 ML 工程经验。2023 年随着 ChatGPT 引爆大模型浪潮，他将多年的实践经验转化为这套教程，目标很明确：让开发者不只是在 ChatGPT 网页里聊天，而是真正学会用 LangChain 构建生产级 LLM 应用。

LangChain 本身由 Harrison Chase 于 2022 年 10 月创立，迅速成为 LLM 应用开发领域最热门的开源框架之一。Venelin 的教程与 LangChain 官方文档形成互补——官方文档偏向 API 参考，他的教程则偏向实战项目。

三、核心功能：19 个 Notebook，覆盖 LLM 开发全链路

这个仓库包含 19 个 Jupyter Notebook，按主题分为以下几个板块：

LangChain 基础（00-05）

00.quickstart-langchain.ipynb：LangChain 速览，通过文档问答演示 Loaders（数据加载器）、Indexes（索引）和 Vectorstores（向量数据库）的基本用法。使用 WebBaseLoader 加载网页内容，通过 Chroma 向量数据库实现语义搜索，最后用 RetrievalQA 链完成问答。这是 LangChain 最典型的应用模式。
01.loaders-indexes-vectorstores.ipynb：深入讲解 LangChain 的数据加载器生态——从 PDF、网页、Notion 到 Slack 消息，无所不包。索引部分覆盖 PDF 文本分割（RecursiveCharacterTextSplitter）、向量embedding生成（OpenAIEmbeddings）以及 Chroma/Pinecone 等向量数据库的集成。
02.models.ipynb：对比不同 LLM 的调用方式，包括 OpenAI GPT 系列、Anthropic Claude、本地模型（Llama 2、Falcon）等，以及如何通过 LangChain 统一接口切换底层模型。
03.chains.ipynb：LangChain 核心概念——Chains。教程从最简单的 LLMChain 开始，逐步过渡到 SequentialChain（顺序链）和更复杂的自定义链。Chains 是 LangChain 的核心抽象，将 Prompt、Model 和 Output Parser 连接成可复用的工作流。
04.memory.ipynb：为聊天机器人添加记忆功能。覆盖 ConversationBufferMemory、ConversationSummaryMemory、ConversationBufferWindowMemory 等多种记忆方案，解决 LLM 上下文窗口限制问题。
05.agents.ipynb：Agents（智能体）是 LangChain 最强大的特性之一。教程演示如何让 LLM 调用工具（Tool）自主完成复杂任务，比如让 AI 决定是否需要搜索网页、运行代码或查询数据库。

本地 LLM 与私密部署（06-15）

06.private-gpt4all-qa-pdf.ipynb：使用 GPT4All（一个开源本地 LLM 工具）实现完全离线的 PDF 问答，数据永不离开本地设备，适合对数据隐私有严格要求的场景。
11.chatbot-with-local-llm-falcon-7b.ipynb 和 12.deploy-llama2-to-production-with-runpod.ipynb：演示如何使用 Falcon-7B 和 Llama 2 等开源大模型，配合 LangChain 构建本地聊天机器人，以及如何部署到 RunPod 等 GPU 云服务。
14.fine-tuning-llama-2-7b-on-custom-dataset.ipynb：Fine-tuning 教程，使用 QLoRA 技术在自定义数据集上微调 Llama 2 7B 模型，显著降低微调成本（只需一块消费级 GPU）。
15.langchain-quickstart-with-llama-2.ipynb：专门针对 Llama 2 的 LangChain 快速入门指南。

前沿技术与 AutoGen（17-19）

17.ai-agents-with-autogen.ipynb 和 18.autogen-use-cases.ipynb：微软 AutoGen 框架的多智能体协作教程，演示如何构建多角色 AI Agent 团队，让多个 AI 代理互相协作完成复杂任务。
19.speedup-llm-inference-with-vllm.ipynb：使用 vLLM 加速 LLM 推理，vLLM 通过 PagedAttention 技术将 GPU 利用率提升数倍，是生产环境部署 LLM 的利器。

四、技术架构：模块化的 LLM 应用栈

从代码层面分析，这个项目的架构清晰，属于「教程展示型」而非「生产框架型」：

层次	技术选型
应用层	Jupyter Notebook（交互式教学）
框架层	LangChain 0.0.139（核心编排框架）
模型层	OpenAI GPT-4/3.5、Llama 2、Falcon、GPT4All
向量存储	ChromaDB、Pinecone
Embedding	OpenAIEmbeddings（ada-002）
本地推理	vLLM、GPT4All
微调技术	QLoRA（4-bit 量化 + LoRA）
部署目标	RunPod（GPU 云）、Colab（免费）

代码组织以单个 Notebook 为独立单元，每个 Notebook 聚焦一个主题，通过 !pip install 直接在 notebook 内部安装依赖，遵循 Google Colab 的最佳实践。.pre-commit-config.yaml 和 .python-version（mlexpert）表明项目使用特定的 Python 版本管理。

五、上手门槛：多层次，适合不同读者

Colab 模式（最低门槛）：每个 Notebook 顶部都有 Colab badge，点击即可在 Google 免费 GPU 上运行。依赖通过 !pip install 自动安装，零配置。

本地模式：需要 Python 3.9+、pip 和 Git。核心依赖包括 langchain、openai、chromadb、tiktoken，安装约需 5-10 分钟。涉及本地 LLM 的 Notebook 需要至少 8GB 显存的 GPU。

进阶模式：Fine-tuning 和 vLLM 相关章节需要 16GB+ GPU 显存，适合有一定 ML 经验的开发者。

六、局限与争议：不回避的问题

1. LangChain 版本碎片化问题：项目基于 LangChain 0.0.139（2023年上半年版本），而 LangChain 目前已演进至 0.3.x 系列，API 发生了大量breaking change。教程中的部分代码在新版本中可能需要调整。

2. 非生产级代码：作为教程，Notebook 中的代码做了大量教学简化（如硬编码 API Key、缺少错误处理），直接用于生产环境存在安全隐患。

3. OpenAI 依赖过重：多数教程以 OpenAI API 为默认模型，虽然也涉及开源模型，但两者的接入复杂度差异显著，初学者容易产生「离开 OpenAI 就不会做」的认知偏差。

4. 缺少完整 Web 应用示例：没有 Flask/FastAPI Web 服务的端到端演示，只有 Notebook 级别的交互。

七、行业意义：从「会用 API」到「会搭系统」

这个项目代表了 2023 年 AI 教育的一个重要趋势——从单纯的 Prompt Engineering 教学，过渡到 LLM 应用系统工程。它教会开发者：

如何管理多轮对话的上下文记忆
如何让 AI 自主调用工具完成复杂任务
如何在本地部署开源模型，实现数据隐私合规
如何通过 Fine-tuning 将通用模型专业化

项目获得了 1242 颗 GitHub Stars，Discord 社区活跃，相关 YouTube 视频累计播放量可观。它不仅是 LangChain 生态的重要学习资源，也反映了 AI 应用开发从「调 API」到「搭系统」的行业转型。

总结：如果你想系统学习如何用 LangChain 构建真实的 LLM 应用（而非只在网页里聊天），这是一个值得投入时间的起点。建议从 00-05 的基础板块开始，Colab 环境零配置体验，再根据需求深入本地部署或 Fine-tuning 章节。

一、场景切入：当你的 PDF 能「开口说话」

二、项目背景：从 Kaggle 冠军到 AI 教育者

三、核心功能：19 个 Notebook，覆盖 LLM 开发全链路

这个仓库包含 19 个 Jupyter Notebook，按主题分为以下几个板块：

LangChain 基础（00-05）

00.quickstart-langchain.ipynb：LangChain 速览，通过文档问答演示 Loaders（数据加载器）、Indexes（索引）和 Vectorstores（向量数据库）的基本用法。使用 WebBaseLoader 加载网页内容，通过 Chroma 向量数据库实现语义搜索，最后用 RetrievalQA 链完成问答。这是 LangChain 最典型的应用模式。
01.loaders-indexes-vectorstores.ipynb：深入讲解 LangChain 的数据加载器生态——从 PDF、网页、Notion 到 Slack 消息，无所不包。索引部分覆盖 PDF 文本分割（RecursiveCharacterTextSplitter）、向量embedding生成（OpenAIEmbeddings）以及 Chroma/Pinecone 等向量数据库的集成。
02.models.ipynb：对比不同 LLM 的调用方式，包括 OpenAI GPT 系列、Anthropic Claude、本地模型（Llama 2、Falcon）等，以及如何通过 LangChain 统一接口切换底层模型。
03.chains.ipynb：LangChain 核心概念——Chains。教程从最简单的 LLMChain 开始，逐步过渡到 SequentialChain（顺序链）和更复杂的自定义链。Chains 是 LangChain 的核心抽象，将 Prompt、Model 和 Output Parser 连接成可复用的工作流。
04.memory.ipynb：为聊天机器人添加记忆功能。覆盖 ConversationBufferMemory、ConversationSummaryMemory、ConversationBufferWindowMemory 等多种记忆方案，解决 LLM 上下文窗口限制问题。
05.agents.ipynb：Agents（智能体）是 LangChain 最强大的特性之一。教程演示如何让 LLM 调用工具（Tool）自主完成复杂任务，比如让 AI 决定是否需要搜索网页、运行代码或查询数据库。

本地 LLM 与私密部署（06-15）

06.private-gpt4all-qa-pdf.ipynb：使用 GPT4All（一个开源本地 LLM 工具）实现完全离线的 PDF 问答，数据永不离开本地设备，适合对数据隐私有严格要求的场景。
11.chatbot-with-local-llm-falcon-7b.ipynb 和 12.deploy-llama2-to-production-with-runpod.ipynb：演示如何使用 Falcon-7B 和 Llama 2 等开源大模型，配合 LangChain 构建本地聊天机器人，以及如何部署到 RunPod 等 GPU 云服务。
14.fine-tuning-llama-2-7b-on-custom-dataset.ipynb：Fine-tuning 教程，使用 QLoRA 技术在自定义数据集上微调 Llama 2 7B 模型，显著降低微调成本（只需一块消费级 GPU）。
15.langchain-quickstart-with-llama-2.ipynb：专门针对 Llama 2 的 LangChain 快速入门指南。

前沿技术与 AutoGen（17-19）

17.ai-agents-with-autogen.ipynb 和 18.autogen-use-cases.ipynb：微软 AutoGen 框架的多智能体协作教程，演示如何构建多角色 AI Agent 团队，让多个 AI 代理互相协作完成复杂任务。
19.speedup-llm-inference-with-vllm.ipynb：使用 vLLM 加速 LLM 推理，vLLM 通过 PagedAttention 技术将 GPU 利用率提升数倍，是生产环境部署 LLM 的利器。

四、技术架构：模块化的 LLM 应用栈

从代码层面分析，这个项目的架构清晰，属于「教程展示型」而非「生产框架型」：

层次	技术选型
应用层	Jupyter Notebook（交互式教学）
框架层	LangChain 0.0.139（核心编排框架）
模型层	OpenAI GPT-4/3.5、Llama 2、Falcon、GPT4All
向量存储	ChromaDB、Pinecone
Embedding	OpenAIEmbeddings（ada-002）
本地推理	vLLM、GPT4All
微调技术	QLoRA（4-bit 量化 + LoRA）
部署目标	RunPod（GPU 云）、Colab（免费）

五、上手门槛：多层次，适合不同读者

Colab 模式（最低门槛）：每个 Notebook 顶部都有 Colab badge，点击即可在 Google 免费 GPU 上运行。依赖通过 !pip install 自动安装，零配置。

进阶模式：Fine-tuning 和 vLLM 相关章节需要 16GB+ GPU 显存，适合有一定 ML 经验的开发者。

六、局限与争议：不回避的问题

2. 非生产级代码：作为教程，Notebook 中的代码做了大量教学简化（如硬编码 API Key、缺少错误处理），直接用于生产环境存在安全隐患。

4. 缺少完整 Web 应用示例：没有 Flask/FastAPI Web 服务的端到端演示，只有 Notebook 级别的交互。

七、行业意义：从「会用 API」到「会搭系统」

这个项目代表了 2023 年 AI 教育的一个重要趋势——从单纯的 Prompt Engineering 教学，过渡到 LLM 应用系统工程。它教会开发者：

如何管理多轮对话的上下文记忆
如何让 AI 自主调用工具完成复杂任务
如何在本地部署开源模型，实现数据隐私合规
如何通过 Fine-tuning 将通用模型专业化

总结：如果你想系统学习如何用 LangChain 构建真实的 LLM 应用（而非只在网页里聊天），这是一个值得投入时间的起点。建议从 00-05 的基础板块开始，Colab 环境零配置体验，再根据需求深入本地部署或 Fine-tuning 章节。