LangChain 学习路径遵循**"基础→进阶→实战→高级"**的递进逻辑，核心是先掌握组件用法，再用 LCEL 组合，最后落地复杂应用与工程化。以下是分阶段完整路径（适配 LangChain 1.0+）。
一、前置准备（1 周）
1. 必备基础
- Python：熟练基础语法、函数、类、异步（asyncio）、环境管理（venv/poetry）
- 大模型基础：理解 LLM 原理、提示词工程、Embedding、向量数据库、RAG 概念
- 工具链：Git、命令行、API 调用、Jupyter Notebook
2. 环境搭建
bash
运行
# 安装核心包（LangChain 1.0+）
pip install langchain langchain-core langchain-openai langchain-community python-dotenv
# 常用扩展（按需安装）
pip install langchain-chroma langchain-pinecone langchain-anthropic langchain-google-genai- 配置 API Key（OpenAI / 智谱 / 通义千问等），写入
.env - 熟悉官方文档：LangChain Python Docs
二、基础阶段：核心组件与 LCEL（2--3 周）
目标：掌握 "积木" 用法，能用 LCEL 搭建简单链。
1. 模型层（Models）
- 聊天模型：
ChatOpenAI、ChatZhipuAI、ChatTongyi - 文本模型：
OpenAI、LlamaCpp - 关键用法：
invoke()、stream()、batch()、结构化输出（with_structured_output）
2. 提示词（Prompts）
ChatPromptTemplate、PromptTemplate- 消息格式：
SystemMessage、HumanMessage、AIMessage - 少样本提示、FewShotPromptTemplate
3. LCEL（LangChain Expression Language）
- 核心语法：
|管道、Runnable接口、invoke/stream/batch - 组合模式：
chain = prompt | model | parser - 调试：
print(chain)、chain.get_graph().print_ascii()
4. 输出解析（Parsers）
StrOutputParser、JsonOutputParser、PydanticOutputParser- 处理 LLM 非结构化输出
5. 基础链（Chains）
LLMChain（Legacy）、RunnablePassthrough、RunnableParallel- 简单任务：问答、摘要、翻译、文本生成
6. 记忆（Memory）
ConversationBufferMemory、ConversationSummaryMemory、ConversationBufferWindowMemoryRunnableWithMessageHistory（1.0 推荐）- 实现多轮对话
阶段实战
- 搭建带记忆的聊天机器人
- 实现结构化信息提取（如从文本抽 JSON）
- 用 LCEL 组合多步任务链
三、进阶阶段：RAG、Tools、Agent（3--4 周）
目标：实现 "检索 + 工具调用 + 自主决策" 的复杂应用。
1. RAG（检索增强生成）
- 文档加载：
PyPDFLoader、TextLoader、WebBaseLoader、RecursiveCharacterTextSplitter - 嵌入：
OpenAIEmbeddings、ZhipuAIEmbeddings - 向量库：
Chroma、Pinecone、FAISS、Milvus - 检索：
RetrievalQA、create_retrieval_chain、MultiQueryRetriever - 优化：重排序（Reranker）、HyDE、上下文压缩
2. 工具（Tools）
- 内置工具：
WikipediaQueryRun、DuckDuckGoSearchRun、PythonREPLTool - 自定义工具：
@tool装饰器、StructuredTool - 工具描述：精准描述决定 Agent 调用成功率
3. Agent（智能体）
- 核心架构：
create_react_agent、create_openai_tools_agent（1.0 推荐） - 执行器：
AgentExecutor - 类型：ZeroShot、Plan-and-Execute、Self-Ask with Search
- 关键：工具选择、思维链（CoT）、错误处理
阶段实战
- 私有文档问答系统（PDF / 知识库）
- 联网搜索 + 回答的 Agent
- 代码解释 + 执行 Agent（PythonREPL）
- 多工具组合的任务自动化
四、高级阶段：工程化与复杂架构（2--3 周）
目标：生产级部署、监控、复杂工作流、私有化。
1. LangGraph（工作流编排）
- 状态图（StateGraph）、节点（Node）、边（Edge）
- 循环、条件分支、并行执行
- 多 Agent 协作、复杂任务拆解
- 可视化：
LangGraph Studio
2. 部署与服务化
LangServe：快速暴露 API（FastAPI 底层）LangChain CLI：项目脚手架- 容器化：Docker + Docker Compose
- 前端：Gradio/Streamlit 快速 Demo
3. 监控与调试（LangSmith）
- 追踪（Tracing）、日志、性能分析
- 提示词版本管理、A/B 测试
- 生产环境监控告警
4. 私有化与优化
- 本地模型集成：Llama 3、Qwen、GLM（
llama-cpp-python、vLLM） - 性能优化：批处理、缓存、向量库索引优化
- 安全：提示词注入防护、数据脱敏
5. 自定义组件
- 自定义 LLM、Embedding、Retriever、Parser、Callback
- 扩展 LangChain 生态
阶段实战
- 基于 LangGraph 的多步骤工作流（如论文写作、数据分析）
- 部署私有 RAG 服务（API + 前端）
- 接入本地大模型的私有化 Agent
- 用 LangSmith 监控与优化生产应用
五、实战项目（贯穿全程）
入门项目
- 智能聊天机器人（带记忆）
- 单文档 PDF 问答
- 简单文本摘要 / 翻译工具
进阶项目
- 企业知识库 RAG 系统
- 联网搜索 Agent
- 代码助手（代码生成 + 执行 + 调试）
- 会议纪要生成 + 待办提取
高级项目
- 多 Agent 协作系统（如客服 + 知识库 + 工单）
- 私有化部署的 AI 办公助手
- 基于 LangGraph 的复杂决策系统
六、学习资源推荐
官方资源
优质教程
- 视频：Sam Witteveen、James Briggs、Greg Kamradt 的 YouTube 系列
- 书籍：《LangChain Handbook》（Pinecone 出品）
- 社区：GitHub Discussions、Stack Overflow、掘金 / CSDN 优质博客
七、学习建议
- 先动手再深入：每学一个组件，立即写代码跑通最小 Demo
- 掌握 LCEL 优先：1.0 后 LCEL 是核心，Legacy API 可快速了解
- 组件组合思维：LangChain 是 "乐高"，重点在组合而非死记 API
- 实战驱动：用项目串联知识点，避免碎片化学习
- 关注更新：LangChain 迭代快，定期看官方博客与 Release Notes