LangChain 这门课容易被误当成"调 API 的进阶版"——会写 Python、会发请求的人翻两页就觉得没什么新东西。真上手做才知道，卡住人的从来不是某个函数怎么调，而是几件事：手上那点后端或算法经验，怎么接到"模型输出不确定"这件事上；检索、工具、记忆该怎么组装成一条能跑通的链；以及最要命的，怎么判断它是真的在工作，还是只是碰巧答对了一次。

这份导读不替你列目录，只说明白：哪些人现在学它不算早，哪些人应该先去补别的东西。

先做个体检：这门课补的是哪块缺口

第一种，写过 Flask/Django 或前端，模型 API 也调过，但每次都是"拼一个 prompt 发出去、解析一下返回值"。项目一复杂就发现没法维护：prompt 散落在各处、模型换了要改十来个地方、加个检索要重写一遍流程。LangChain 要解决的正是这层抽象缺失，适合你。

第二种，做传统 NLP 或数据分析出身，熟悉流水线和评估，但没认真处理过"模型会胡说"这件事。课程里的检索增强、工具调用、输出解析，本质都是在不确定的输出外面套一层可验证的壳，这套思路你会有共鸣。

第三种，只想跑个 demo 交差。那不建议现在进来，先补 Prompt 基础与向量检索的基本概念，否则会在"为什么这里要拆成两个组件"上反复卡住。

重点盯这几处，别把时间花在抄代码上

  • 链的组装思路，而不是链的写法。顺序链、路由链、并行分支各自适合什么场景，换成不用框架的方式你会怎么实现——想清楚这一层，换框架也不慌。
  • 检索部分。文档切分粒度、向量库选型、召回后怎么重排，这三步里任何一步调不好，效果差别比换模型还大。这是最容易做出区分度的地方。
  • 工具与 Agent 的边界。什么任务该交给 Agent 自主决策，什么任务写死流程更稳。Agent 不是越自由越好，它自由的那部分恰恰是最难测的部分。
  • 记忆与多轮上下文。存什么、截断在哪、什么时候做摘要压缩，直接决定成本和体验。
  • 调试与评测。看到中间步骤、定位是哪一环出错、用一批固定问题回归，比多看几个示例更值钱。

配套练习建议（别只看不写）

准备一份自己的资料，比如几十页技术文档或一批历史问答记录，全程用它做实验，而不是跟着示例喂无关语料——用自己的数据才会暴露真实问题。

  • 把同一份资料分别用粗切分和细切分跑一遍，记录召回结果差异，写下你判断哪种更好的依据。
  • 给一个已知答案的问题，观察检索环节召回了什么、最终答案在哪一步走偏。
  • 故意给模型一个它答不出的问题，看你的链是硬编还是承认不知道，据此决定要不要加兜底逻辑。
  • 准备十个固定问题做回归集，每改一次 prompt 或参数就重跑一遍，记录通过率变化。
  • 把一个纯 prompt 拼出来的功能改写成带检索的版本，比较两者在事实性上的差别。

学完之后，你应该能回答这几个问题

  • 为什么生产环境里不该把模型的原始输出直接透给下游系统？
  • 检索结果不理想时，你会先动切分、嵌入模型还是重排，判断依据是什么？
  • 什么情况下写死流程比交给 Agent 更合适？
  • 你的应用出错时，怎么在几分钟内定位到是检索、提示词还是工具调用的问题？
  • 换一个模型，你的代码需要改多少？如果需要大改，说明哪里设计得不对？

如果这些问题你现在答不上来，那这门课对你就有具体价值；如果已经能答个大概，建议直接跳到检索和调试那两部分，其余快速过。缺什么补什么，比从头顺一遍省时间。

尚硅谷-LangChain实战教程（2026版）

深入探索LangChain应用实战

编辑点评

LangChain实战教程，系统讲解大模型应用，适合AI开发者和研究者。

⭐ 编辑推荐

掌握LangChain核心技能，提升大模型应用开发能力。

学习LangChain，从入门到实战。

课程亮点

• LangChain实战教程
• 系统讲解大模型应用
• 适合AI开发者和研究者

课程目录

尚硅谷-LangChain从入门到实战（2026版）必看.png  [493.5 KB]
007-Conda的安装及虚拟环境的配置.mp4  [142.8 MB]
033-工具的调用方式与整体执行流程分析.mp4  [174.7 MB]
042-Pydantic的基本使用.mp4  [76.7 MB]
100-在工具中访问长期记忆（基于PostgresStore）.mp4  [47.9 MB]
041-结构化输出的理解.mp4  [37.3 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]
013-调用智谱和阿里云百炼平台的大模型.mp4  [106.9 MB]
021-流式调用、批量调用与异步调用.mp4  [215.9 MB]
116-Milvus数据库的DML和DQL操作.mp4  [183.4 MB]
092-短期记忆之PostgreSQL实现持久化存储.mp4  [66.7 MB]
004-LangChain是什么.mp4  [126.8 MB]
103-RAG工作流程和环境准备.mp4  [83.1 MB]
119-项目Assistant客服知识库之初始化Agent_检索函数.mp4  [45.8 MB]
.mp4  [201.9 MB]
030-ChatPromptTemplate的两种实例化方式和三种调用方式.mp4  [212.3 MB]
060-ToolStrategy的tool_message_content参数使用.mp4  [63.9 MB]
012-调用DeepSeek官网的DeepSeek模型.mp4  [143.2 MB]
076-ContextEditingMiddleware中间件的使用.mp4  [65.8 MB]
106-PyPDFLoader和MinerU加载pdf文件.mp4  [81.6 MB]
109-CharacterTextSplitter的使用.mp4  [76.7 MB]
101-在中间件中访问长期记忆.mp4  [45.4 MB]
077-FilesystemFileSearchMiddleware中间件的使用.mp4  [25.0 MB]
008-大模型应用场景1：Agent开发.mp4  [87.7 MB]
072-LLMToolSelectorMiddleware中间件的使用.mp4  [57.3 MB]
059-ToolStrategy的schema设置结构化输出-其它几种方式.mp4  [246.6 MB]
117-项目Assistant客服知识库之全局配置_初始化Milvus.mp4  [83.7 MB]
090-PostgreSQL数据库的安装.mp4  [58.5 MB]
.mp4  [18.8 MB]
019-测试invoke传递三种不同的参数类型.mp4  [202.0 MB]
088-基于内存存储的工作原理和常见问题.mp4  [53.6 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]
108-切分策略及TextSplitter中的三个核心方法.mp4  [112.8 MB]
015-使用OpenRouter和CloseAI中转平台调用模型.mp4  [182.6 MB]
027-对话历史的管理和优化.mp4  [99.2 MB]
018-Ollama的安装与本地模型的调用.mp4  [124.1 MB]
003-大模型相关岗位介绍.mp4  [48.0 MB]
016-LangChain1.x中init_chat_model方式.mp4  [209.2 MB]
.mp4  [112.8 MB]
094-消息裁剪的治理策略.mp4  [137.8 MB]
017-模型初始化常用的参数.mp4  [116.4 MB]
082-装饰器参数can_jump_to的使用.mp4  [206.9 MB]
084-wrap_tool_call的实现和使用场景.mp4  [118.1 MB]
.mp4  [116.6 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]
032-部分变量预填充_消息占位符等的使用.mp4  [171.5 MB]
010-大模型开发的4个递进场景.mp4  [40.0 MB]
009-大模型的应用场景2：Agent开发.mp4  [51.6 MB]
053-Agent通过invoke()方式调用.mp4  [58.1 MB]
031-ChatPromptTemplate初始化的6种参数类型.mp4  [136.1 MB]
073-ToolRetryMiddleware中间件的使用.mp4  [119.9 MB]
014-ChatOpenAI兼容用法.mp4  [105.7 MB]
102-RAG模块的必要性.mp4  [81.2 MB]
055-工具调用流程分析_常见问题分析.mp4  [118.8 MB]
029-content和content_blocks的使用.mp4  [148.9 MB]
095-消息删除、摘要的治理策略.mp4  [203.5 MB]
086-记忆的概念和记忆的分类.mp4  [150.5 MB]
024-LangSmith的主要功能介绍.mp4  [19.9 MB]
067-PIIMiddleware中间件的使用.mp4  [138.4 MB]
020-invoke的返回值的详细说明.mp4  [119.7 MB]
096-长期记忆的介绍和存储架构.mp4  [61.2 MB]
023-LangSmith的介绍与基本使用.mp4  [80.4 MB]
046-TypedDict格式的使用.mp4  [134.3 MB]
057-agent结构化输出的4种策略.mp4  [183.1 MB]
069-ModelCallLimitMiddleware中间件的使用.mp4  [121.1 MB]
051-Agent的概述.mp4  [61.6 MB]
083-wrap_model_call的实现和使用场景.mp4  [121.4 MB]
107-其它格式文件的加载器.mp4  [65.1 MB]
120-项目Assistant客服知识库之生产与回答生成.mp4  [132.1 MB]
002-为什么需要LangChain.mp4  [113.4 MB]
114-Milvus的安装和数据模型说明.mp4  [53.8 MB]
026-4种消息对象中字段的说明.mp4  [156.7 MB]
089-腾讯云部署Linux服务器.mp4  [65.1 MB]
078-多个中间件组合及执行顺序.mp4  [34.5 MB]
001-课程介绍.mp4  [64.1 MB]
093-对比两种方式的不同.mp4  [86.4 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]
085-装饰器和类方式的选择_hook函数执行顺序.mp4  [99.9 MB]
038-案例3和4：多工具的调用.mp4  [131.2 MB]
028-案例：多轮对话聊天机器人.mp4  [102.2 MB]
098-search()操作的演示.mp4  [154.5 MB]
066-HumanInTheLoopMiddleware中间件的使用.mp4  [269.3 MB]
061-Agent的高级用法：错误处理机制.mp4  [341.1 MB]
043-Pydantic高级特性：可选字段、默认值、枚举类型.mp4  [140.3 MB]
006-LangChain家族四大支柱.mp4  [79.6 MB]
079-Hook函数的理解.mp4  [54.2 MB]
045-Pydantic模式的工作流程图解.mp4  [20.6 MB]
104-TextLoader和CSVLoader的使用.mp4  [67.4 MB]
074-ModelRetryMiddleware中间件的使用.mp4  [20.7 MB]
005-LangChain的主要模块和API文档.mp4  [74.6 MB]
039-tool_choice参数的使用.mp4  [117.7 MB]
112-嵌入模型的初始化及文档向量化举例.mp4  [134.8 MB]
099-在工具中访问长期记忆（基于InMemoryStore）.mp4  [130.9 MB]
087-短期记忆之基于内存的持久化器的实现.mp4  [160.7 MB]
091-远程服务器连接额外操作.mp4  [66.1 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]
052-Agent实例化中模型的两种传入方式.mp4  [63.9 MB]

适合人群

  • AI开发者
  • 大模型研究者
  • 数据科学家

学习收获

掌握LangChain核心技能
提升大模型应用开发能力
深入了解大模型技术

祝您学习愉快！

学有所成，前程似锦！