学 LangChain 最容易掉进的坑，不是不会调 API，而是把整条链路的职责搞混：提示模板、输出解析、检索、记忆、工具调用，各自该管什么、不该管什么。真到项目里出问题，报错信息往往只指向某一个环节，可你连它上游喂进去的数据长什么样都不清楚。这门课面向的就是这种状态——能跑通 demo，但说不清每一步为什么这么写。

先确认你是不是真的缺这块

下面几种情况，如果中了两个以上，说明继续往下看是有价值的：

用过 OpenAI 或国产模型的接口，但把提示词直接拼字符串，模型输出还得靠正则去抠。
知道 RAG 是「检索增强」，可向量库怎么切块、相似度阈值怎么定、召回结果怎么塞进上下文，答不上来。
想让模型调用外部函数或数据库，卡在参数格式和调用循环上，最后干脆手写 if-else 硬编码。
多轮对话里上下文越堆越长，不知道什么时候该截断、什么时候该做摘要。

这些问题的共同点是：缺的不是模型知识，而是把模型能力组织成可维护流程的那层结构。LangChain 解决的正是这层结构，但它本身也在快速变化，版本之间的接口差异不小，所以跟着一份标注了年份的课程走，比自己翻零散博客更省时间。

这门课真正会碰到的几个硬点

基于 LangChain 的应用开发，绕不开四件事，它们也是课程里最需要动手的部分。

提示与输出的可控性

提示模板不只是占位符替换，它决定了变量注入的位置、少样本示例怎么组织。输出解析则要求你把模型返回的文本约束成结构化数据，这中间会涉及格式指令的写法和解析失败时的兜底。学完这块，你应该能回答：模型返回了多余的解释性文字，解析器报错，你从哪一层去修？

检索与切分

文档切分的粒度直接决定召回质量。切太碎，语义不完整；切太整，检索命中后塞不进上下文窗口。检索部分还会牵出向量化模型的选择、相似度计算方式、以及召回后如何重排。这部分不自己跑一遍数据，光看代码是感受不到差异的。

链与执行流程

把上面几步串起来就是链。链的价值在于让每一步的输入输出显式化，方便替换和调试。要能说清楚：什么场景适合用顺序链，什么场景需要分支或并行，出错时怎么定位是哪个环节的问题。

工具调用与记忆

让模型调用外部能力，核心是把函数的用途、参数、返回描述清楚，并设计好调用与结果回填的循环。记忆则涉及对话历史的存储与压缩策略。这两块往往是项目里最容易失控的地方——工具越加越多，模型选错工具；历史越存越长，成本和延迟一起涨。

配套练习该怎么用

课程里的实战项目不要只跑一遍看输出。建议每个环节跑通后做两件小事：一是把关键参数改掉，观察结果变化，比如切分块大小、召回数量、温度值；二是故意制造一次失败，比如给解析器喂一段不符合格式的文本，看错误从哪冒出来。这种反向操作比顺着跑一遍更能暴露理解上的空洞。

另外，准备一个小型的自有数据集，哪怕就是几十条问答或几篇文档。用课程的方法在自己的数据上走一遍完整流程，感受会比跟着示例数据跑深得多。

看完应该能回答的问题

一个最小可用的检索问答流程，从文档到最终回答，中间经过哪几个组件，各自负责什么？
模型输出格式不符合预期时，你会优先调整提示还是调整解析逻辑，判断依据是什么？
多轮对话中上下文变长，有哪几种处理思路，各自的代价是什么？
工具调用的参数由模型生成，如果传错了，你能从哪几个地方入手排查？

如果这些问题你现在只能模糊作答，那这门课的定位就很清楚了：补的是把模型能力组装成应用的那层工程能力。不需要假装自己已经会了，缺什么补什么，按环节一个个啃下来就行。

尚硅谷 - LangChain从入门到实战（2026版）

LangChain实战深度解析

编辑点评

深入探索LangChain应用，从基础到高级，实战性强。

⭐ 编辑推荐

跟随尚硅谷，学习LangChain从入门到实战，掌握AI应用开发核心。

课程亮点

• LangChain深度解析

• 实战项目驱动

• AI应用开发技巧

课程目录

00-更多资源分享.txt  [64.0 B]
119-项目Assistant客服知识库之初始化Agent_检索函数.mp4  [45.8 MB]
118-项目Assistant客服知识库之文档切分_向量化并写入Milvus.mp4  [170.7 MB]
117-项目Assistant客服知识库之全局配置_初始化Milvus.mp4  [83.7 MB]
116-Milvus数据库的DML和DQL操作.mp4  [183.4 MB]
109-CharacterTextSplitter的使用.mp4  [76.7 MB]
108-切分策略及TextSplitter中的三个核心方法.mp4  [112.8 MB]
106-PyPDFLoader和MinerU加载pdf文件.mp4  [81.6 MB]
103-RAG工作流程和环境准备.mp4  [83.1 MB]
101-在中间件中访问长期记忆.mp4  [45.4 MB]
100-在工具中访问长期记忆（基于PostgresStore）.mp4  [47.9 MB]
094-消息裁剪的治理策略.mp4  [137.8 MB]
092-短期记忆之PostgreSQL实现持久化存储.mp4  [66.7 MB]
090-PostgreSQL数据库的安装.mp4  [58.5 MB]
088-基于内存存储的工作原理和常见问题.mp4  [53.6 MB]
084-wrap_tool_call的实现和使用场景.mp4  [118.1 MB]
082-装饰器参数can_jump_to的使用.mp4  [206.9 MB]
077-FilesystemFileSearchMiddleware中间件的使用.mp4  [25.0 MB]
076-ContextEditingMiddleware中间件的使用.mp4  [65.8 MB]
072-LLMToolSelectorMiddleware中间件的使用.mp4  [57.3 MB]
070-ToolCallLimitMiddleware中间件的使用.mp4  [76.4 MB]
063-Agent的实战：多功能智能助手.mp4  [171.9 MB]
060-ToolStrategy的tool_message_content参数使用.mp4  [63.9 MB]
059-ToolStrategy的schema设置结构化输出-其它几种方式.mp4  [246.6 MB]
054-Agent绑定工具并调用.mp4  [213.2 MB]
050-两种获取结构化结果的方式.mp4  [125.2 MB]
042-Pydantic的基本使用.mp4  [76.7 MB]
041-结构化输出的理解.mp4  [37.3 MB]
033-工具的调用方式与整体执行流程分析.mp4  [174.7 MB]
032-部分变量预填充_消息占位符等的使用.mp4  [171.5 MB]
030-ChatPromptTemplate的两种实例化方式和三种调用方式.mp4  [212.3 MB]
027-对话历史的管理和优化.mp4  [99.2 MB]
021-流式调用、批量调用与异步调用.mp4  [215.9 MB]
019-测试invoke传递三种不同的参数类型.mp4  [202.0 MB]
018-Ollama的安装与本地模型的调用.mp4  [124.1 MB]
017-模型初始化常用的参数.mp4  [116.4 MB]
016-LangChain1.x中init_chat_model方式.mp4  [209.2 MB]
015-使用OpenRouter和CloseAI中转平台调用模型.mp4  [182.6 MB]
013-调用智谱和阿里云百炼平台的大模型.mp4  [106.9 MB]
012-调用DeepSeek官网的DeepSeek模型.mp4  [143.2 MB]
008-大模型应用场景1：Agent开发.mp4  [87.7 MB]
007-Conda的安装及虚拟环境的配置.mp4  [142.8 MB]
004-LangChain是什么.mp4  [126.8 MB]
003-大模型相关岗位介绍.mp4  [48.0 MB]
048-@dataclass使用方式.mp4  [18.8 MB]
036-自定义args_schema.mp4  [116.6 MB]
034-工具的定义方式1.mp4  [201.9 MB]
035-工具的定义方式2.mp4  [112.8 MB]
046-TypedDict格式的使用.mp4  [134.3 MB]
114-Milvus的安装和数据模型说明.mp4  [53.8 MB]
074-ModelRetryMiddleware中间件的使用.mp4  [20.7 MB]
089-腾讯云部署Linux服务器.mp4  [65.1 MB]
095-消息删除、摘要的治理策略.mp4  [203.5 MB]
098-search()操作的演示.mp4  [154.5 MB]
099-在工具中访问长期记忆（基于InMemoryStore）.mp4  [130.9 MB]
056-设置agent的name和system_prompt.mp4  [160.4 MB]
065-SummarizationMiddleware中间件的使用.mp4  [191.4 MB]
068-TodoListMiddleware中间件的使用.mp4  [211.3 MB]
105-JSONLoader加载JSON文件.mp4  [104.0 MB]
022-profile属性_初始化model_kwargs与extra_body参数_调用的config参数.mp4  [321.8 MB]
083-wrap_model_call的实现和使用场景.mp4  [121.4 MB]
102-RAG模块的必要性.mp4  [81.2 MB]
040-工具使用的实践经验总结.mp4  [44.0 MB]
069-ModelCallLimitMiddleware中间件的使用.mp4  [121.1 MB]
029-content和content_blocks的使用.mp4  [148.9 MB]
031-ChatPromptTemplate初始化的6种参数类型.mp4  [136.1 MB]
024-LangSmith的主要功能介绍.mp4  [19.9 MB]
066-HumanInTheLoopMiddleware中间件的使用.mp4  [269.3 MB]
014-ChatOpenAI兼容用法.mp4  [105.7 MB]
052-Agent实例化中模型的两种传入方式.mp4  [63.9 MB]
062-设置Agent的流式输出策略.mp4  [346.9 MB]
061-Agent的高级用法：错误处理机制.mp4  [341.1 MB]
093-对比两种方式的不同.mp4  [86.4 MB]
001-课程介绍.mp4  [64.1 MB]
049-四种不同模式的类型校验情况.mp4  [99.5 MB]
075-LLMToolEmulator中间件的使用.mp4  [13.7 MB]
113-向量数据库介绍_docker的安装和设置.mp4  [78.5 MB]
073-ToolRetryMiddleware中间件的使用.mp4  [119.9 MB]
086-记忆的概念和记忆的分类.mp4  [150.5 MB]
071-ModelFallbackMiddleware中间件的使用.mp4  [18.5 MB]
111-其它多种TextSplitter的使用演示.mp4  [124.8 MB]
038-案例3和4：多工具的调用.mp4  [131.2 MB]
006-LangChain家族四大支柱.mp4  [79.6 MB]
107-其它格式文件的加载器.mp4  [65.1 MB]
011-模型调用前的准备工作.mp4  [82.5 MB]
104-TextLoader和CSVLoader的使用.mp4  [67.4 MB]
039-tool_choice参数的使用.mp4  [117.7 MB]
047-JSON Schema格式的使用.mp4  [69.2 MB]
115-Milvus数据库的DDL操作.mp4  [85.9 MB]
043-Pydantic高级特性：可选字段、默认值、枚举类型.mp4  [140.3 MB]
053-Agent通过invoke()方式调用.mp4  [58.1 MB]
005-LangChain的主要模块和API文档.mp4  [74.6 MB]
064-为什么需要中间件_中间件的分类.mp4  [132.4 MB]
087-短期记忆之基于内存的持久化器的实现.mp4  [160.7 MB]
078-多个中间件组合及执行顺序.mp4  [34.5 MB]
055-工具调用流程分析_常见问题分析.mp4  [118.8 MB]
045-Pydantic模式的工作流程图解.mp4  [20.6 MB]
057-agent结构化输出的4种策略.mp4  [183.1 MB]
010-大模型开发的4个递进场景.mp4  [40.0 MB]
112-嵌入模型的初始化及文档向量化举例.mp4  [134.8 MB]