尚硅谷大模型技术-LangGraph实战教程

如果你已经能调用大模型 API 写个问答脚本，但一碰到"多步骤、要判断、要回头改"的任务就不知道怎么组织代码，那 LangGraph 正好卡在这个位置上。它解决的不是"怎么让模型更聪明"，而是"怎么让模型的多次调用按你设计的流程走"。尚硅谷这套教程讲的就是这件事。

它对着哪些实际工作场景

先说清楚这门课不是教你训练模型，也不是提示词大全。它处理的是工程侧的问题：一个任务需要拆成几步、每步调一次模型、中间结果要传给下一步，某一步输出不合格还得退回去重做——这类流程如果只用 if-else 硬写，很快就乱成一团。LangGraph 用图的方式把这些步骤、分支、循环和状态显式地画出来，代码结构和业务逻辑能对上。

对应到具体活儿，大概是这几类：需要多轮检索再汇总的问答、要先分类再分别处理的工单、带人工确认环节的自动化流程、以及需要多个角色（比如一个生成一个审查）互相配合的任务。如果你手上的需求是单次问答就能搞定的，学这门课收益不大。

学完能独立做出什么

按教程的组织方式，走完一遍你应该能自己搭出一个带状态管理的多节点流程：定义节点做什么、用条件边决定往哪走、用循环边处理"不满意就重来"，并把整个流程的中间状态管起来。再往上，涉及多智能体协作、把流程接入外部工具或检索、以及把跑通的图做成可调用的服务，教程里也有对应的部分。

判断标准很直接：学之前你写多步调用是一串嵌套函数，学之后你能把同样的逻辑拆成几个节点、用图连起来，并且改流程时不用重写整段代码。这就是值不值得学的分界线。

资料构成和使用顺序

资料包里三块内容的分工比较清楚。笔记是主线，适合先通读一遍，把概念和写法过一遍再动手；代码部分用来对照，尤其是卡在某一步不知道节点该怎么写的时候，直接看对应示例比反复读文字快；视频偏讲解，适合对某个模块的运作方式没想明白时回头补。另外还有一份打包资料，里面是配套的依赖和素材，动手前先按说明把环境弄好，能省掉不少报错时间。

建议的顺序是：先看笔记里讲状态和图结构的部分，理解为什么要有状态这个概念，这是后面所有内容的地基；然后照着代码跑通一个最小例子；再逐步加分支、加循环。不要一上来就啃多智能体那部分，前面的图机制没吃透，后面只会照抄。

需要什么基础，以及别期待什么

前提是 Python 要能读懂，函数、类、装饰器、异步这些不陌生，否则代码部分会很吃力。另外要对大模型 API 调用有基本经验——知道怎么发一次请求、怎么拿返回结果，这门课不负责补这块。至于模型本身的原理、微调、部署，不在它的范围内。

教程偏实战，所以理论铺陈不多，讲得快的部分需要你自己停下来写几遍。它的价值在于把 LangGraph 这套工具用起来，而不是给你一套可以直接上线的产品。抱着"学完就能做个应用"的预期来，可能会失望；抱着"以后遇到多步流程知道怎么组织"的预期来，比较对得上。

适合谁

• 已经会调大模型接口，需要把多步逻辑理清楚的开发者；
• 在做智能体、检索问答类项目，被流程控制绕住的人；
• 想先摸清 LangGraph 能干什么、再决定要不要深入的技术爱好者。

如果你还停留在"什么是大模型"的阶段，或者只是想找个现成工具直接用，这门课可以往后放一放。