先说清楚：这门课补的是哪块缺口

如果你已经用 LangChain 写过几个 demo，能跑通一条链、接上一个模型、塞个 PromptTemplate 就出结果，但一到真实项目就卡壳——检索出来的答案驴唇不对马嘴，多个 Agent 一协作就互相打架，升级到 1.x 之后旧代码报错一片——那这门课的定位就是冲这些缺口去的。

它不打算教你「什么是大模型」，也不铺垫 Python 基础。起点设在「你写过 0.x 的链，但没系统梳理过 1.x 的变化」，终点落在「能把 RAG 和多智能体跑成一个能交付的东西」。中间那段最容易被自学跳过的部分——环境怎么搭才不踩坑、检索为什么召回不准、多个 Agent 怎么分工而不是互相甩锅——是这门课花时间最多的地方。

LangChain 1.x 不是小版本号，值得单独过一遍

很多人对 1.x 的认知停留在「API 改了点名字」。真动手才发现，旧的调用方式大面积失效，链的组装逻辑、Agent 的执行循环、工具注册的方式都动了。这门课把「从旧版到 1.x 到底变了什么」放在靠前的位置，不是念更新日志，而是拿旧写法和新写法对照着跑，让你看清哪些是换汤、哪些是换药。

配套练习的重点在于：跟着搭一遍环境，从零创建一个能调工具的 Agent。这一步看着基础，但环境依赖和版本冲突恰恰是劝退率最高的环节，自己摸索容易在报错里耗掉一整天。

RAG 的坑，多半不在「能不能检索」，而在「检索得准不准」

RAG 部分会落到 Chroma 这类向量库的实际使用上。真正值得盯的是几个具体问题：文档怎么切才不至于把一句完整的话劈成两半；向量检索召回了一堆似是而非的片段，怎么在生成前做二次筛选；模型明明拿到了资料却还是编答案，是提示词的问题还是上下文拼装的问题。

这些不是概念题，是调试题。看完这一块，你应该能回答：为什么我的 RAG 系统在测试集上表现不错，换一批真实文档就崩了？检索结果和最终回答之间的那道鸿沟，究竟卡在哪一环？

多智能体协作：难点是分工，不是数量

多 Agent 最容易走偏的地方，是以为「Agent 越多越强」。实际做起来，两个 Agent 就足够让流程失控：一个负责检索、一个负责总结，结果总结的那个不信任检索结果，反复要求重查，循环几轮token就烧完了。

这门课讲协作架构，核心在于角色边界怎么划、消息怎么传、什么时候该终止。你需要练的是设计一个职责清晰的小团队，而不是堆一堆 Agent 看它们自由发挥。这里能回答的问题很实在：多个 Agent 之间靠什么协议通信？怎么避免死循环和无效调用？什么任务其实一个 Agent 加几个工具就够了，根本不需要多智能体？

学完之后，你该能回答这几个问题

LangChain 1.x 相比旧版，哪些改动会直接影响我现有的代码？
一个 RAG 系统召回不准，我能从切分、嵌入、重排、拼装这几个环节里定位到具体是哪一步出的问题吗？
多智能体协作里，我怎么判断该拆几个角色、每个角色的输入输出边界在哪？
从环境搭建到跑通一个带检索的协作 Agent，我能不能不看教程独立复现一遍？

如果这些问题你现在答不上来，或者只能答个大概，那这门课的顺序基本就是按你的缺口排的。别跳着看，尤其是环境那一段——它不酷，但它是后面所有实战的前提。