很多人用 LangChain 的路径是这样的：跟着示例跑通了 LLMChain，接上 OpenAI 的接口，控制台打印出一段回答，然后……就没有然后了。一旦要把这东西放进真实业务里——让模型记住上下文、从自己的文档里找答案、在几个角色之间分工协作——才发现缺的不是 API 用法，而是对整条链路的理解。这门课针对的就是这个断层。

先确认你缺的是哪一块

LangChain 本身不算难，难的是它把太多概念压在一层 API 后面。如果你现在处于下面这几种状态之一，这门内容对你才有意义：

能调用大模型接口，但不知道会话历史该存在哪、怎么裁剪、超出长度怎么办；
听过向量数据库和 RAG，但说不清「文档切分—嵌入—检索—拼进提示词」每一步在做什么，调参时只能靠猜；
写提示词靠试，没有把提示词当成可复用、可组合的工程对象来管理；
想用本地开源模型替代云端接口，卡在环境、显存或调用方式上；
对「多智能体」只有概念印象，没亲手让两个以上的 Agent 分工完成过一件事。

如果以上都不沾边，你大概不需要从头看，直接跳到多智能体那部分即可。

课程实际覆盖的技术节点

从内容线索看，它走的是「先打通单链，再上协作」的顺序。前半段解决的是一套最小可用系统：怎么让 LangChain 接上本地开源模型（比如 ChatGLM3 这类可离线部署的模型），摆脱对单一云端接口的依赖；怎么用 ChromaDB 做向量检索，把用户问题先匹配到已有知识，再交给模型生成，从而压低胡编的概率。这两步合起来，其实就是一个能落地的问答系统骨架。

中间一段落在提示词工程上，重点不是「怎么写一句好提示」，而是对话场景下的提示词怎么组织——多轮历史怎么进提示词、系统角色和用户输入怎么分层、输出格式怎么约束。这部分看起来朴素，但它决定了后面 Agent 能不能稳定工作，因为 Agent 的每一步决策本质上都是一次带约束的提示词调用。

后半段进入多智能体协作。这里的关键问题不是「怎么创建多个 Agent」，而是：任务怎么拆、由谁拆、Agent 之间怎么传递中间结果、出现分歧或死循环时怎么收敛。这些问题没有标准答案，只能通过具体案例去体会分工边界划在哪里比较合理。

建议的练习方式

这类内容看视频容易产生「我会了」的错觉，因为代码是别人敲的。比较有效的做法是每看完一个节点就自己复现一遍，并且故意改坏它：

把向量库的切分粒度调大调小，观察检索结果和最终回答的变化，记录哪种切法在你的语料上更稳；
把本地模型换成另一个开源模型，看哪些代码要改、哪些不用改，体会 LangChain 抽象层的边界在哪；
给多智能体案例增加一个角色，或者删掉一个角色，看任务还能不能跑通，跑不通是卡在哪一步；
给对话加上长度限制，观察历史被截断后回答质量如何退化。

这些改动不会带来新知识点，但会让你在真实项目里少踩很多坑。

看完应该能回答的问题

用它检验自己是否真的消化了，而不是看完了：

一个基于本地开源模型的问答链路，从用户输入到最终回答，中间经过了哪几个组件，各自负责什么？
向量检索召回的内容不相关时，你会按什么顺序去排查——切分、嵌入模型、检索数量，还是提示词？
对话场景下，历史消息无限增长会带来什么问题，你打算用什么策略处理？
多智能体相比单 Agent 加长提示词，多出来的收益具体体现在哪里，代价又是什么？
如果让你把某个环节换掉（换模型、换向量库、换检索策略），哪些代码需要动？

能顺畅答上来，说明这条链路在你脑子里是通的；答不上来的那一条，就是该回去补的那一段。

Langchain大模型AI应用与多智能体实战开发教程

Langchain实战，多智能体协作

编辑点评

深入探索Langchain大模型应用，实战多智能体协作，适合AI开发者提升技能。

⭐ 编辑推荐

本教程深入解析Langchain大模型，通过实战案例展示多智能体协作开发。

课程亮点

• Langchain大模型实战

• 多智能体协作开发

• AI应用提升

课程目录

全新Langchain大模型AI应用与多智能体实战开发文档.png  [493.5 KB]
45_03-赛力斯问界汽车知识库问答链搭建.mp4  [42.4 MB]
16_16-如何自定义大模型的输出解析器.mp4  [31.9 MB]
17_17-RAG数据检索增强.mp4  [41.3 MB]
47_01-Langgraph多智体协作框架1~1.mp4  [133.9 MB]
52_06-多智能体扮演明星玩综艺~1.mp4  [158.0 MB]
33_33-JSON链式智能体任务执行~2.mp4  [55.3 MB]
25_25-大模型路由映射传递数据.mp4  [80.0 MB]
10_10-提示词里模板中的模板解决复杂的聊天对话.mp4  [51.1 MB]
22_22-知识库文档生成多向量检索器实现精准检索.mp4  [96.2 MB]
30_30-智能体原理2~1.mp4  [56.6 MB]
35_35-从零使用Langchain搭建适应不同大模型智能体.mp4  [129.5 MB]
21_21-分割markdown_代码源码提炼知识库文档.mp4  [50.4 MB]
4_04-Langchain调用本地开源大模型ChatGLM3.mp4  [55.1 MB]
40_40-AI调用Shell接管控制电脑.mp4  [89.4 MB]
32_32-XML链式执行任务智能体搭建~2.mp4  [48.4 MB]
13_13-解析输出csv_时间_枚举内容.mp4  [45.4 MB]
Langchain大模型AI应用实战开发-资料.zip  [58.7 GB]
8_08-ChromaDB向量数据库进行问题思路匹配提高回答准确率.mp4  [87.0 MB]
39_39-AI大模型获取前沿论文知识.mp4  [53.5 MB]
43_01-具有知识库的上下文感知AI销售助手架构.mp4  [23.5 MB]
9_09-对话形式提示词工程.mp4  [47.3 MB]
1_01-认识Langchain.mp4  [79.1 MB]
49_03-循环图与多图协作处理系统复杂任务1.mp4  [98.2 MB]
29_29-给智能体添加记忆能力-1~1.mp4  [37.5 MB]
44_02-引导销售链与销售智能体实现.mp4  [65.1 MB]
19_19-处理解析PDF文档为知识库.mp4  [36.7 MB]
26_26-自定义链式配置的多种方式.mp4  [103.0 MB]
48_02-Langgraph多分支处多任务并行处理.mp4  [70.8 MB]
24_24-大模型并行控制复杂流程.mp4  [72.9 MB]
2_02-chain的基本结构_提示_模型_输出解析器_20240510232150.pptx  [490.3 KB]
14_14-Langchain输出JSON格式和修复大模型错误输出.mp4  [56.7 MB]
27_27-自定义流式生成器函数.mp4  [37.6 MB]
11_11-Langchain管道提示词模板应用.mp4  [29.7 MB]
18_18-加载知识库文档与检索算法设置.mp4  [90.5 MB]
42_42-duckduckgo免费搜索引擎API应用1.mp4  [38.2 MB]
15_15-langchain解析大模型XML输出格式.mp4  [25.6 MB]
2_02-chain的基本结构_提示_模型_输出解析器.mp4  [50.7 MB]
23_23-让大模型生成检索语句进行精确查找.mp4  [45.1 MB]
34_34-ReAct智能体搭建思路1~1.mp4  [26.2 MB]
50_04-让智能体做GPT4都做不了的事情-讲段子Joke.mp4  [120.9 MB]
46_04-多链分工合作协作实现AI销售助手1.mp4  [121.2 MB]
20_20-HTML文本分割提炼网页知识点.mp4  [41.6 MB]
7_07-不同案例选择器应用_长度选择器_相似度选择器_重叠选择器.mp4  [98.3 MB]
41_41-AI根据问题生成代码并自主运行计算.mp4  [33.9 MB]
38_38-控制智能体限制执行.mp4  [22.6 MB]
3_03-langchain接入国内最强大模型chatglm4.mp4  [105.5 MB]
36_36-自定义智能体记忆链创建.mp4  [33.9 MB]
5_05-Langchain接入开源大模型的类openai服务器.mp4  [50.4 MB]
31_31-OpenAI智能体调用源码解析~2.mp4  [84.6 MB]
37_37-自主搭建超级搜索引擎Searxng服务器作为借口.mp4  [65.6 MB]
51_05-灵活应用工具的LangGraph智能体.mp4  [151.6 MB]
12_12-Langchain缓存加速应用响应.mp4  [39.9 MB]
6_06-Langchain提示词模块与历史对话.mp4  [64.6 MB]
28_28-搭建第一个AI智能体.mp4  [86.1 MB]