尚硅谷 - LangChain从入门到实战(2026版)
LangChain实战深度解析
编辑点评
深入探索LangChain应用,从基础到高级,实战性强。
⭐ 编辑推荐
跟随尚硅谷,学习LangChain从入门到实战,掌握AI应用开发核心。
课程亮点
• LangChain深度解析
• 实战项目驱动
• AI应用开发技巧
课程目录
00-更多资源分享.txt [64.0 B] 119-项目Assistant客服知识库之初始化Agent_检索函数.mp4 [45.8 MB] 118-项目Assistant客服知识库之文档切分_向量化并写入Milvus.mp4 [170.7 MB] 117-项目Assistant客服知识库之全局配置_初始化Milvus.mp4 [83.7 MB] 116-Milvus数据库的DML和DQL操作.mp4 [183.4 MB] 109-CharacterTextSplitter的使用.mp4 [76.7 MB] 108-切分策略及TextSplitter中的三个核心方法.mp4 [112.8 MB] 106-PyPDFLoader和MinerU加载pdf文件.mp4 [81.6 MB] 103-RAG工作流程和环境准备.mp4 [83.1 MB] 101-在中间件中访问长期记忆.mp4 [45.4 MB] 100-在工具中访问长期记忆(基于PostgresStore).mp4 [47.9 MB] 094-消息裁剪的治理策略.mp4 [137.8 MB] 092-短期记忆之PostgreSQL实现持久化存储.mp4 [66.7 MB] 090-PostgreSQL数据库的安装.mp4 [58.5 MB] 088-基于内存存储的工作原理和常见问题.mp4 [53.6 MB] 084-wrap_tool_call的实现和使用场景.mp4 [118.1 MB] 082-装饰器参数can_jump_to的使用.mp4 [206.9 MB] 077-FilesystemFileSearchMiddleware中间件的使用.mp4 [25.0 MB] 076-ContextEditingMiddleware中间件的使用.mp4 [65.8 MB] 072-LLMToolSelectorMiddleware中间件的使用.mp4 [57.3 MB] 070-ToolCallLimitMiddleware中间件的使用.mp4 [76.4 MB] 063-Agent的实战:多功能智能助手.mp4 [171.9 MB] 060-ToolStrategy的tool_message_content参数使用.mp4 [63.9 MB] 059-ToolStrategy的schema设置结构化输出-其它几种方式.mp4 [246.6 MB] 054-Agent绑定工具并调用.mp4 [213.2 MB] 050-两种获取结构化结果的方式.mp4 [125.2 MB] 042-Pydantic的基本使用.mp4 [76.7 MB] 041-结构化输出的理解.mp4 [37.3 MB] 033-工具的调用方式与整体执行流程分析.mp4 [174.7 MB] 032-部分变量预填充_消息占位符等的使用.mp4 [171.5 MB] 030-ChatPromptTemplate的两种实例化方式和三种调用方式.mp4 [212.3 MB] 027-对话历史的管理和优化.mp4 [99.2 MB] 021-流式调用、批量调用与异步调用.mp4 [215.9 MB] 019-测试invoke传递三种不同的参数类型.mp4 [202.0 MB] 018-Ollama的安装与本地模型的调用.mp4 [124.1 MB] 017-模型初始化常用的参数.mp4 [116.4 MB] 016-LangChain1.x中init_chat_model方式.mp4 [209.2 MB] 015-使用OpenRouter和CloseAI中转平台调用模型.mp4 [182.6 MB] 013-调用智谱和阿里云百炼平台的大模型.mp4 [106.9 MB] 012-调用DeepSeek官网的DeepSeek模型.mp4 [143.2 MB] 008-大模型应用场景1:Agent开发.mp4 [87.7 MB] 007-Conda的安装及虚拟环境的配置.mp4 [142.8 MB] 004-LangChain是什么.mp4 [126.8 MB] 003-大模型相关岗位介绍.mp4 [48.0 MB] 048-@dataclass使用方式.mp4 [18.8 MB] 036-自定义args_schema.mp4 [116.6 MB] 034-工具的定义方式1.mp4 [201.9 MB] 035-工具的定义方式2.mp4 [112.8 MB] 046-TypedDict格式的使用.mp4 [134.3 MB] 114-Milvus的安装和数据模型说明.mp4 [53.8 MB] 074-ModelRetryMiddleware中间件的使用.mp4 [20.7 MB] 089-腾讯云部署Linux服务器.mp4 [65.1 MB] 095-消息删除、摘要的治理策略.mp4 [203.5 MB] 098-search()操作的演示.mp4 [154.5 MB] 099-在工具中访问长期记忆(基于InMemoryStore).mp4 [130.9 MB] 056-设置agent的name和system_prompt.mp4 [160.4 MB] 065-SummarizationMiddleware中间件的使用.mp4 [191.4 MB] 068-TodoListMiddleware中间件的使用.mp4 [211.3 MB] 105-JSONLoader加载JSON文件.mp4 [104.0 MB] 022-profile属性_初始化model_kwargs与extra_body参数_调用的config参数.mp4 [321.8 MB] 083-wrap_model_call的实现和使用场景.mp4 [121.4 MB] 102-RAG模块的必要性.mp4 [81.2 MB] 040-工具使用的实践经验总结.mp4 [44.0 MB] 069-ModelCallLimitMiddleware中间件的使用.mp4 [121.1 MB] 029-content和content_blocks的使用.mp4 [148.9 MB] 031-ChatPromptTemplate初始化的6种参数类型.mp4 [136.1 MB] 024-LangSmith的主要功能介绍.mp4 [19.9 MB] 066-HumanInTheLoopMiddleware中间件的使用.mp4 [269.3 MB] 014-ChatOpenAI兼容用法.mp4 [105.7 MB] 052-Agent实例化中模型的两种传入方式.mp4 [63.9 MB] 062-设置Agent的流式输出策略.mp4 [346.9 MB] 061-Agent的高级用法:错误处理机制.mp4 [341.1 MB] 093-对比两种方式的不同.mp4 [86.4 MB] 001-课程介绍.mp4 [64.1 MB] 049-四种不同模式的类型校验情况.mp4 [99.5 MB] 075-LLMToolEmulator中间件的使用.mp4 [13.7 MB] 113-向量数据库介绍_docker的安装和设置.mp4 [78.5 MB] 073-ToolRetryMiddleware中间件的使用.mp4 [119.9 MB] 086-记忆的概念和记忆的分类.mp4 [150.5 MB] 071-ModelFallbackMiddleware中间件的使用.mp4 [18.5 MB] 111-其它多种TextSplitter的使用演示.mp4 [124.8 MB] 038-案例3和4:多工具的调用.mp4 [131.2 MB] 006-LangChain家族四大支柱.mp4 [79.6 MB] 107-其它格式文件的加载器.mp4 [65.1 MB] 011-模型调用前的准备工作.mp4 [82.5 MB] 104-TextLoader和CSVLoader的使用.mp4 [67.4 MB] 039-tool_choice参数的使用.mp4 [117.7 MB] 047-JSON Schema格式的使用.mp4 [69.2 MB] 115-Milvus数据库的DDL操作.mp4 [85.9 MB] 043-Pydantic高级特性:可选字段、默认值、枚举类型.mp4 [140.3 MB] 053-Agent通过invoke()方式调用.mp4 [58.1 MB] 005-LangChain的主要模块和API文档.mp4 [74.6 MB] 064-为什么需要中间件_中间件的分类.mp4 [132.4 MB] 087-短期记忆之基于内存的持久化器的实现.mp4 [160.7 MB] 078-多个中间件组合及执行顺序.mp4 [34.5 MB] 055-工具调用流程分析_常见问题分析.mp4 [118.8 MB] 045-Pydantic模式的工作流程图解.mp4 [20.6 MB] 057-agent结构化输出的4种策略.mp4 [183.1 MB] 010-大模型开发的4个递进场景.mp4 [40.0 MB] 112-嵌入模型的初始化及文档向量化举例.mp4 [134.8 MB]
适合人群
- AI开发者
- 数据科学家
- 技术爱好者
学习收获
掌握LangChain核心概念
实战AI应用开发
提升AI项目能力
祝您学习愉快!
学有所成,前程似锦!






