emarco177/langchain-course

A project-based course repository for developing AI agents using LangChain v1+ and LangGraph: search agents, RAG systems, reflection agents, and code interpreters.

这是什么

这个仓库是一个课程，教你如何使用 LangChain 和 LangGraph 库（Python，根据 README 要求 LangChain 1.0+ 版本）构建 AI 驱动的应用程序。课程材料围绕构建真实项目而非玩具示例——你将使用实时 API 和实际用例。

你将构建什么

README 列出了10 个项目（一个部分提到 7 个，其他部分还有几个额外项目）。有些作为 git 分支存在于本仓库中（如 project/hello-world），有些则存在于独立的外部仓库中。示例：

Hello World — 你的第一个基础 AI 代理。
Modern Search Agent — 使用搜索工具和自定义工具，并具有结构化输出的代理。
RAG Gist — 检索增强生成的基础知识（在回答前向 AI 提供相关文档）。
System One Models — 通过模型路由和工具门控实现快速决策。
Code Interpreter — 可以执行代码的 AI 代理。
Reflection Agent / Reflexion Agent — 自我批评和自我修正的代理。
Agentic RAG — 更高级的检索增强系统，代理具有规划和记忆能力。

还有对 Ice Breaker（社交媒体资料分析器）、Blog Analyzer（内容分析）和 Documentation Helper 的引用。

学习路径

README 列出了三个阶段：

基础 — Hello World 链，然后是 Code Interpreter。
实际应用 — Ice Breaker、Documentation Helper。
高级 — Blog Analyzer、Agentic RAG。

如何使用

先决条件： 不适合初学者——你应该已经熟悉 git、Python、环境变量、类、测试和调试。需要 Python 3.10+。你需要访问 LLM（本地如 Ollama 或云端如 OpenAI、Anthropic、Gemini）。不需要机器学习经验。
设置： 克隆仓库，然后检出特定项目分支并运行（例如 git checkout project/hello-world，然后 uv sync 和 uv run python main.py）。对于外部项目，你需要单独克隆。
学习方法： 每个 git 提交代表一课。README 建议你查看提交历史（git log --oneline）并逐步查看提交以理解代码如何演变。

你将学到什么

到课程结束时：从零开始构建代理、调用外部 API、使用向量数据库构建 RAG 系统、设计多步骤推理工作流、部署代理、处理自我修正，并优化成本/性能。

关键细节

提到的技术栈： LangChain v0.3+、LangGraph、Pinecone、FAISS、Streamlit。
包管理器： README 说使用 uv、poetry 或 pipenv——明确不是 conda。
许可证： Apache 2.0。
作者： Eden Marco。该课程也存在于 Udemy 上（README 中提到了优惠券链接）。

这不是什么

README 没有将此仓库描述为成品软件产品——它是一个学习资源（课程内容、分支、外部链接仓库）。它也没有声称超出上述列出的任何功能。