langchain-course

LangChain v1 + LangGraph AI Agent 实战课程：从 Hello World 到 Agentic RAG

想象一下：你刚学完调用 OpenAI API，心里正得意，却发现业界已经在聊"Agent"——能自主规划、调用工具、反思纠错的 AI 系统。LangChain 正是这个领域的核心框架，从最初的 v0.1 到如今的 v1+，它提供的抽象层让 AI Agent 开发从"黑客手写"变成了"框架级工程"。但官方文档案例零散、教程脱节，让很多开发者望而却步。emarco177/langchain-course 正是为此而生：一位有实战经验的工程师，用 7 个递进式真实项目，带你从零掌握 LangChain v1 和 LangGraph 开发 AI Agent 的全部核心能力。

图1：LangChain 官方品牌标识（来源：项目仓库 static/ 目录）

作者背景与课程起源

本课程作者 Eden Marco 是一位活跃的 AI 开发者，长期专注于 LangChain 生态。他的同名 Udemy 付费课程已有数万学生，而这个 GitHub 仓库是课程的完全免费开源版本，包含课程所有代码和完整的学习路径设计。与其他 LangChain 教程不同，emarco177 的课程不追求"知识点罗列"，而是围绕真实场景设计项目——从最简单的 Hello World，到需要多步推理的 Code Interpreter，再到自我反思的 Reflection Agent，难度梯度清晰。

核心技术栈解析

项目基于 LangChain v0.3+ 和 LangGraph 构建。LangChain v1 是框架的重大升级，引入了更清晰的 create_react_agent 接口、更规范的 Tool 定义方式，以及对多模态的初步支持。LangGraph 则是 LangChain 团队推出的状态机式 Agent 框架，用节点（Node）和边（Edge）建模 Agent 的工作流，支持循环、条件分支和多 Agent 协作——这比 LangChain 原生的 Chain 链式调用更灵活、更接近生产级需求。

从项目分支中可以看到三个典型的代码实现：

Hello World 分支（project/hello-world）：演示 LangChain 最小接入方式，使用 PromptTemplate + ChatOpenAI（或 ChatOllama），只依赖 langchain-core、langchain-openai、langchain-ollama 三个包，约 50 行代码。这是整个课程的起点。

Code Interpreter 分支（project/code-interpreter）：这是课程的核心项目之一，展示了如何让 AI Agent 执行真实代码。通过 create_react_agent 构建 ReAct 风格 Agent，配合 PythonREPLTool 实现沙箱代码执行，并扩展了 create_csv_agent 处理数据分析场景。依赖包括 langchain-experimental（包含实验性工具集）、pandas（数据分析）、pillow（图像处理）、qrcode（二维码生成）——展示 Agent 工具调用的广度。

Chat with PDF 分支（project/chat-wth-your-pdf）：典型 RAG 实现，使用 PyPDFLoader 加载 PDF，CharacterTextSplitter 分块，OpenAIEmbeddings 生成向量，FAISS 作为向量数据库存储。核心链路是 create_retrieval_chain + create_stuff_documents_chain，完整演示了从文档解析到问答的 RAG 全流程。依赖 langchain-community 扩展生态。

三阶段学习路径

课程设计分为三个递进阶段：

Phase 1 基础入门（Hello World + Code Interpreter）：理解 LangChain 的核心抽象——Prompt、LLM、Output Parser、Tool。Code Interpreter 项目还引入了 ReAct（Reasoning + Acting）模式，这是大多数现代 Agent 的基础工作原理。

Phase 2 真实应用（Search Agent / Ice Breaker + Documentation Helper）：集成外部 API（Tavily 搜索）到 Agent 工具链中。Ice Breaker 项目会分析社交媒体个人资料，整合 LinkedIn + Twitter 数据，展示了真实数据采集场景下的 Agent 设计。

Phase 3 高级架构（Reflection Agent + Reflexion Agent + Agentic RAG）：这三个项目使用了 LangGraph 的状态机特性。Reflection Agent 实现了自我批判循环——Agent 执行任务后，将结果反馈给"评审 Agent"，再决定是否重试。Agentic RAG 则结合了 RAG 检索增强和 Agent 的自主决策能力，是当前 RAG 系统的主流发展方向。

上手门槛与工程实践

课程对学习者有一定要求：明确标注"这不是一门入门课"，需要具备 Python 基础（类、测试、调试）、环境变量管理经验，以及 Git 使用能力。Python 版本要求 3.10+（部分分支要求 3.11+）。包管理使用 uv 而非 conda，依赖通过 pyproject.toml 管理，uv sync 一键安装。

值得注意的是，项目不强制绑定 OpenAI。README 明确支持三种 LLM 后端：OpenAI GPT 系列、Anthropic Claude（通过 langchain-anthropic）、本地 Ollama（通过 langchain-ollama）。这意味着课程内容不仅适用于有 API 预算的开发者，也适合想在本地 GPU 上实验的学习者。

局限与注意事项

第一，课程与 LangChain 生态同步的挑战。LangChain 本身处于快速迭代期，v0.3 到 v1 的 API 变化较大，部分早期分支的代码可能需要适配新版 API。作者通过 Claude GitHub Actions 自动化持续更新，这是一个值得关注的维护信号。

第二，教学代码不等于生产代码。课程目的是展示"如何用框架能力"，而非"如何在生产环境稳定运行"。缺少错误处理、超时控制、并发管理等生产必需要素，学习者需要自己补齐这些工程能力。

第三，外部项目依赖分散。部分项目（如 Documentation Helper、Reflection Agent）在独立仓库中，学习者需要在多个仓库间切换，增加了跟踪难度。

行业意义

LangChain 已成为 AI Agent 开发的事实标准框架之一，但其学习曲线陡峭、生态文档碎片化是公认痛点。emarco177/langchain-course 通过"项目驱动"的方式填补了这一空白——不是教框架 API 怎么用，而是用框架解决真实问题。这代表了 AI 开发教育的一个趋势：从"学语言/学框架"转向"做项目中学框架"。GitHub 1465 Stars 和持续更新的分支说明其社区认可度在稳步提升。对于想在 AI Agent 方向深耕的开发者，这是一个值得投入时间的系统性学习资源。