课程介绍
这门课基于 LangChain 1.x 系统讲大模型应用开发。开篇介绍 LangChain 的主要模块与家族四大支柱、Conda 环境和大模型开发的递进场景；模型调用部分演示接入 DeepSeek 官网、智谱与阿里云百炼、OpenRouter 等中转平台，以及 init_chat_model 初始化、Ollama 本地模型，讲清 invoke 的参数与返回值、流式、批量与异步调用，并用 LangSmith 跟踪调试。
接着讲消息对象与对话历史管理、多轮对话机器人、ChatPromptTemplate 的实例化与参数、消息占位符；工具部分讲 @tool 装饰器、args_schema 与 docstring、多工具调用和 tool_choice；结构化输出部分讲 Pydantic、TypedDict、JSON Schema 与 dataclass 四种模式。Agent 部分讲模型传入、绑定工具、name 与 system_prompt、四种结构化输出策略、错误处理与流式输出，并完成多功能智能助手。
进阶部分系统讲十余种中间件（摘要、人工介入、PII、TodoList、调用限制、模型回退、工具选择与重试、上下文编辑、文件检索）及组合顺序，Node-style 钩子与 wrap_model_call、wrap_tool_call；记忆部分讲基于内存和 PostgreSQL 的短期记忆、消息裁剪与摘要治理，以及长期记忆的存储与在工具、中间件中访问。最后讲 RAG 的文档加载与切分、嵌入模型，在 Docker 中安装 Milvus 并完成 DDL/DML 操作，实现客服知识库项目。
网盘说明：本课程为百度网盘资源。压缩包需要解压密码，购买后在下载区查看。
课程目录
课程介绍与 LangChain 概述
001 课程介绍
002 为什么需要LangChain
003 大模型相关岗位介绍
004 LangChain是什么
005 LangChain的主要模块和API文档
006 LangChain家族四大支柱
007 Conda的安装及虚拟环境的配置
008 大模型应用场景1：Agent开发
009 大模型的应用场景2：Agent开发
010 大模型开发的4个递进场景
模型调用：平台接入、Ollama 与调用方式
011 模型调用前的准备工作
012 调用DeepSeek官网的DeepSeek模型
013 调用智谱和阿里云百炼平台的大模型
014 ChatOpenAI兼容用法
015 使用OpenRouter和CloseAI中转平台调用模型
016 LangChain1.x中init chat model方式
017 模型初始化常用的参数
018 Ollama的安装与本地模型的调用
019 测试invoke传递三种不同的参数类型
020 invoke的返回值的详细说明
021 流式调用、批量调用与异步调用
022 profile属性 初始化model kwargs与extra body参数 调用的config参数
023 LangSmith的介绍与基本使用
024 LangSmith的主要功能介绍
消息与提示词模板
025 认识消息与消息的两种格式
026 4种消息对象中字段的说明
027 对话历史的管理和优化
028 案例：多轮对话聊天机器人
029 content和content blocks的使用
030 ChatPromptTemplate的两种实例化方式和三种调用方式
031 ChatPromptTemplate初始化的6种参数类型
032 部分变量预填充 消息占位符等的使用
工具调用
033 工具的调用方式与整体执行流程分析
034 不使用@tool方式定义工具
035 使用@tool装饰器定义工具：description和name
036 使用@tool装饰器定义工具：args schema
037 案例1和2：使用args schema和docstring
038 案例3和4：多工具的调用
039 tool choice参数的使用
040 工具使用的实践经验总结
结构化输出
041 结构化输出的理解
042 Pydantic的基本使用
043 Pydantic高级特性：可选字段、默认值、枚举类型
044 Pydantic高级特性：列表提取、嵌套、限制条件
045 Pydantic模式的工作流程图解
046 TypedDict格式的使用
047 JSON Schema格式的使用
048 @dataclass格式的使用
049 四种不同模式的类型校验情况
050 两种获取结构化结果的方式
Agent 智能体
051 Agent的概述
052 Agent实例化中模型的两种传入方式
053 Agent通过invoke()方式调用
054 Agent绑定工具并调用
055 工具调用流程分析 常见问题分析
056 设置agent的name和system prompt
057 agent结构化输出的4种策略
058 ToolStrategy的schema设置结构化输出-Pydantic类型
059 ToolStrategy的schema设置结构化输出-其它几种方式
060 ToolStrategy的tool message content参数使用
061 Agent的高级用法：错误处理机制
062 设置Agent的流式输出策略
063 Agent的实战：多功能智能助手
中间件
064 为什么需要中间件 中间件的分类
065 SummarizationMiddleware中间件的使用
066 HumanInTheLoopMiddleware中间件的使用
067 PIIMiddleware中间件的使用
068 TodoListMiddleware中间件的使用
069 ModelCallLimitMiddleware中间件的使用
070 ToolCallLimitMiddleware中间件的使用
071 ModelFallbackMiddleware中间件的使用
072 LLMToolSelectorMiddleware中间件的使用
073 ToolRetryMiddleware中间件的使用
074 ModelRetryMiddleware中间件的使用
075 LLMToolEmulator中间件的使用
076 ContextEditingMiddleware中间件的使用
077 FilesystemFileSearchMiddleware中间件的使用
078 多个中间件组合及执行顺序
Hook 钩子函数
079 Hook函数的理解
080 基于装饰器定义Node-style的钩子函数
081 基于类定义Node-style的钩子函数
082 装饰器参数can jump to的使用
083 wrap model call的实现和使用场景
084 wrap tool call的实现和使用场景
085 装饰器和类方式的选择 hook函数执行顺序
短期记忆与长期记忆
086 记忆的概念和记忆的分类
087 短期记忆之基于内存的持久化器的实现
088 基于内存存储的工作原理和常见问题
089 腾讯云部署Linux服务器
090 PostgreSQL数据库的安装
091 远程服务器连接额外操作
092 短期记忆之PostgreSQL实现持久化存储
093 对比两种方式的不同
094 消息裁剪的治理策略
095 消息删除、摘要的治理策略
096 长期记忆的介绍和存储架构
097 put()和get()操作的演示
098 search()操作的演示
099 在工具中访问长期记忆（基于InMemoryStore）
100 在工具中访问长期记忆（基于PostgresStore）
101 在中间件中访问长期记忆
RAG 与 Milvus：客服知识库项目
102 RAG模块的必要性
103 RAG工作流程和环境准备
104 TextLoader和CSVLoader的使用
105 JSONLoader加载JSON文件
106 PyPDFLoader和MinerU加载pdf文件
107 其它格式文件的加载器
108 切分策略及TextSplitter中的三个核心方法
109 CharacterTextSplitter的使用
110 RecursiveCharacterTextSplitter的使用
111 其它多种TextSplitter的使用演示
112 嵌入模型的初始化及文档向量化举例
113 向量数据库介绍 docker的安装和设置
114 Milvus的安装和数据模型说明
115 Milvus数据库的DDL操作
116 Milvus数据库的DML和DQL操作
117 项目Assistant客服知识库之全局配置 初始化Milvus
118 项目Assistant客服知识库之文档切分 向量化并写入Milvus
119 项目Assistant客服知识库之初始化Agent 检索函数
120 项目Assistant客服知识库之生产与回答生成
配套资料
资料
