Langchain大模型AI应用与多智能体实战开发教程

先判断：这套课到底解决什么问题

如果你只是用网页版聊天工具写写文案，这套 Langchain 课程对你帮助有限。它真正针对的是另一类场景：你手里有一个具体的业务需求，比如把公司内部文档变成能问答的助手、让模型自动调用几个接口完成一串操作、或者把「检索资料—判断—执行—复核」这条链条交给多个模型角色分工完成。这些事没法靠一个提示词解决，必须写代码把它们串起来。

课程的核心线索有两条：一条是 Langchain 这条框架线，把大模型、提示词、向量库、外部工具连成可运行的程序；另一条是多智能体协作，讲怎么让不同职责的模型角色配合完成一个任务，而不是一个模型从头扛到尾。两条线都落在「做出能跑的东西」上，不是概念科普。

学完之后，你应当能独立完成这几件事

• 接入模型：既能调云端 API，也能把本地开源模型（课程里以 ChatGLM3 为例）接进同一套流程，理解两种方式在部署和成本上的差别。
• 搭检索问答：把文档切分、向量化写入 ChromaDB，再用相似度匹配把最相关的片段喂给模型，让回答基于你自己的资料而不是模型的记忆。
• 写提示词做对话：围绕多轮对话组织提示词，控制上下文怎么带、历史怎么裁剪。
• 让模型调用工具：把外部函数或接口注册成模型可调用的能力，形成「模型决策—代码执行—结果回填」的闭环。
• 组织多智能体：拆分角色与任务，处理它们之间的信息传递和结果汇总。

判断值不值得学，可以用一个简单标准：你手上是否已经有一个想做出来的 AI 小工具。有，这套内容能直接对上；没有，学完容易停在跑通示例的阶段。

资料结构和使用顺序

资料以视频讲解为主，配有可运行的工程文件和一份完整文档。文档建议当手册用，遇到具体模块再翻，不必从头读到尾。视频按主题推进，从认识 Langchain 开始，逐步走到模型接入、向量库检索、提示词工程，再到工具调用和多智能体。

建议的顺序是：先跟一遍模型接入和检索问答，把最小可运行版本跑起来；再回头补提示词和向量库的细节，因为这两块直接决定回答质量；最后进多智能体部分。中间任何一节如果只是看懂没跑通，先停下来把代码调通再往下走——这套内容的坑大多在环境和依赖上，不在概念上。

适合什么基础，不适合什么人

需要的前提比较明确：会 Python 基本语法，能看懂函数、类、字典操作；能自己装依赖、配环境变量、读报错信息。有这些就够了，不需要事先学过深度学习或模型训练。

不太适合两类人：完全没写过代码的，会卡在环境配置上，收获有限；以及只想了解大模型原理、不打算动手写的，这套课的重点是工程实现，不是理论推导。另外，多智能体部分涉及架构设计判断，如果你还没有任何模型应用开发经验，直接跳到这一块容易照抄而不知所以然，建议按上面的顺序走。

编辑建议

把它当成一个需要动手的工程项目来学，而不是看剧式地刷完。每学完一个模块，用自己工作里的一份真实文档或一个真实需求替换示例数据，跑一遍。能跑通，说明这个模块你真拿到了；跑不通，问题通常就在你还不够熟的那一层。这样学完，你手上留下的不是一个证书，而是几个能继续改的工具。