langchain

Agentic AI 2026学习路径：从LangChain到生产部署# Agentic AI 2026学习路径：从LangChain到生产部署## 一、背景与挑战：为什么需要结构化学习路径？

大模型应用-进阶核心技能【13课：第二阶段工程化与部署】前几课我们写的代码都是单文件脚本。但真实的设备维修系统需要：关键原则：关键理解：最小可用的GitHub Actions配置：

【LangChain 1.x】10、短期记忆｜checkpointer 持久化与上下文治理三件套摘要：前几篇的 Agent 每次 invoke 都是独立的、没有记忆。本篇介绍短期记忆：用 checkpointer 持久化对话历史、用 thread_id 隔离会话、用 state_schema 让自定义状态也跨调用保留；对话变长后，用裁剪（trim）、删除（delete）、摘要（SummarizationMiddleware）三件套治理上下文、防止爆炸。配合 DeepSeek 实测，讲清 Agent 从"无记忆"到"会话内记牢"的完整链路。

LangChain 之【内存\Redis\Pinecone向量存储原理与实战】目录1.内存向量存储 —— InMemoryVectorStore1.2. 核心接口2.Redis 向量存储 —— RedisVectorStore

吃饱了得干活

别再手动解析 LLM 输出了！LangChain 四种结构化输出方案对比在开发 LLM 应用时，你一定遇到过这样的痛点：模型“口吐芬芳”给你一段自然语言，你却要写一堆正则、json.loads() 甚至 eval() 去提取信息，不仅脆弱，而且维护成本极高。

大模型是怎么随机说话的？—— Temperature、Top-k 与 LangChain 实战大模型每次生成的回复都不太一样，有时候很严谨，有时候天马行空。这种"随机性"到底是怎么控制的？本文从原理到代码，带你理解 Temperature 和 Top-k 这两个关键参数，并用 LangChain 搭一个可用的 AI 写作流水线。

LangSmith：LLM 应用调试与评估平台随着 LLM 应用逐渐从 Demo 阶段进入生产环境，开发者会遇到越来越多的问题：例如：传统应用通常可以通过日志、链路追踪等方式定位问题，但是 LLM 应用存在大量动态行为：

Workflow vs Agent：别再被“调包侠”忽悠了，一张图看懂AI工程的“骨架”与“大脑”面试官最恶心的追问：“既然Agent这么强，为什么大厂核心链路还在用Workflow？”——答不上来，直接挂

LangGraph 记忆、人机交互、时间旅行和核心能力记忆，是一种能够记住之前互动信息的系统。对于人工智能代理来说，记忆至关重要，因为它使他们能够记住任务，这一能力对反馈中学习，并根据用户偏好进行调整。随着代理处理涉及大量用户交互的复杂任务之前的互动，从效率和用户满意度都变得至关重要。

深入学 LangChain 官方文档（十六）Built-in 与 Custom Middleware本篇对应的官方文档本篇讲解范围本篇用客服 Agent 串起敏感信息处理、调用限额、工具重试和自定义审计，讲清通用治理能力怎样接入 Agent 生命周期，以及组合顺序为什么属于运行合同。Human-in-the-loop 的四类审批决定不再重复；知识库、Embedding、Vector Store 与 RAG 留给下一篇。

AI服务核心：高并发原理与性能监控调优KV Cache 在 Transformer 的自回归生成过程中，为避免重复计算，将每一层的 Key（K）和 Value（V）张量缓存起来。

LangChain学习笔记（一）：基础入门与核心概念详解LangChain 是目前构建大语言模型（LLM）应用的重要开发框架之一。本文从零开始介绍 LangChain 的诞生背景、解决的问题、核心组件以及学习路线，帮助初学者建立完整认知。

大模型应用-进阶核心技能【11课：LangChain核心概念与RAG重构】⚠️ 版本兼容说明：本课代码基于 langchain 1.x。该版本将 schema、text_splitter、chains、memory 等旧 API 迁移至 langchain_classic 兼容包。下方代码示例中的 from langchain.xxx 已同步更新为 from langchain_classic.xxx。新项目推荐使用 langchain_core + langgraph 重写，langchain_classic 仅用于学习与过渡。

RAG知识库问答系统落地：从向量检索到上下文增强的全链路实践这两年大模型火得一塌糊涂，很多人张口就是“接个API就行”。但真正落地时你会发现一个残酷现实：GPT再聪明，对你公司的内部资料也一无所知。你问它“咱们的报销流程是什么”，它只能根据通用经验开始“编”——编对了是运气，编错了就是事故。

深入学 LangChain 官方文档（十五）Human-in-the-loop 与 Guardrails本篇对应的官方文档本篇讲解范围本篇用客服 Agent 的退款与改地址场景，讲清高风险工具如何按策略暂停、怎样把待审动作交给审批界面、怎样提交决定并恢复同一条运行。重试、降级、PII 处理和 Custom Middleware 留给下一篇；业务身份、数据库事务和完整审计仍由应用系统负责。

LLM 大语言模型 vs Agent 智能体：核心区别 + LangChain 学习必要性OpenAI API is just not enough to build an app based on LLM

2026年生产级RAG技术栈选型：LangChain+Cohere Rerank实战# 2026年生产级RAG技术栈选型：LangChain+Cohere Rerank实战## 背景：当RAG从Demo走向生产，选型不再是“它取决于”

拿捏大模型输出随机性：Temperature、Top-K 原理 + LangChain 工程落地实战同样的提示词，大模型每次返回结果却不一样，很多开发者疑惑：大模型到底是怎么 “随机说话” 的？背后核心就是词概率采样机制。Temperature、Top-K 两个参数直接掌控生成风格：写代码、合同追求严谨不出错；散文、剧本想要创意有灵感。参数搭配稍有不慎，要么千篇一律，要么疯狂产生幻觉。

Cursor黑盒拆解！1套LangChain.js手写Mini编程Agent，自动生成React项目，效率提升60%用过Cursor、Claude Code的前端应该都深有体会：一句自然语言，AI就能自动创建项目、读写文件、执行终端命令、写完完整业务代码，全程不用手动操作。

LangChain 工作流中的温度、Top-K、Top-Ptypescript今天这篇文章，我们不只讲“怎么调参”，更重要的是带着源码阅读的思维，把每一个设计决策背后的“为什么”挖出来 start -> llm -> PromptTemplate -> StringOutputParser -> end。