LangChain Academy 中文学习笔记

📖 关于本仓库

这是从 LangChain Academy 官方仓库 fork 的中文学习版本。

主要改进：

• ✅ 将所有 Jupyter Notebook 中的英文 Markdown 内容翻译为中文
• ✅ 保留所有代码块、链接和技术术语不变
• ✅ 便于中文开发者学习 LangGraph 和 LangChain 生态系统

原始仓库： https://github.com/langchain-ai/langchain-academy

📚 课程介绍

欢迎来到 LangChain Academy - LangGraph 入门课程！这是一套不断增长的模块，专注于 LangChain 生态系统中的基础概念。

• Module 0: 基础设置
• Module 1-5: 在 LangGraph 中构建，逐步添加更高级的主题
• Module 6: 部署你的 agents

每个模块文件夹中都有一组 notebook。每个 notebook 的顶部都有指向 LangChain Academy 课程的链接，引导你学习相关主题。每个模块还有一个 studio 子目录，其中包含一组相关的图���我们将使用 LangGraph API 和 Studio 进行探索。

📋 模块内容

Module 0: 基础知识

• Jupyter Notebook 基础
• LangChain 生态系统概览

Module 1: LangGraph 核心概念

• 简单图（Simple Graph）
• 链（Chain）
• 路由（Router）
• Agent 基础
• Agent 记忆
• 部署（Deployment）

Module 2: 状态管理

• 状态模式（State Schema）
• 状态 Reducers
• 多模式（Multiple Schemas）
• 消息过滤与修剪
• Chatbot 外部记忆
• Chatbot 总结

Module 3: 人机交互

• 断点（Breakpoints）
• 动态断点
• 编辑状态与人工反馈
• 流式传输与中断
• 时间旅行（Time Travel）

Module 4: 高级模式

• 并行化（Parallelization）
• Map-Reduce 模式
• 子图（Sub-graphs）
• 研究助手（Research Assistant）

Module 5: 长期记忆

• 记忆存储（Memory Store）
• 记忆 Agent
• 记忆模式：集合（Collection）
• 记忆模式：配置文件（Profile）

Module 6: 部署

• ���建部署
• 连接到部署
• Assistants
• Double-texting 处理

🚀 快速开始

Python 版本要求

请确保使用 Python 3.11、3.12 或 3.13（高于 3.11 但低于 3.14）。

python3 --version

克隆仓库

git clone https://github.com/your-username/langchain-academy-learning.git
cd langchain-academy-learning

或者，你也可以下载 ZIP 文件。

创建虚拟环境并安装依赖

Mac/Linux/WSL

python3 -m venv lc-academy-env
source lc-academy-env/bin/activate
pip install -r requirements.txt

Windows Powershell

python3 -m venv lc-academy-env
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process
lc-academy-env\scripts\activate
pip install -r requirements.txt

运行 Notebooks

如果你还没有安装 Jupyter，请按照此处的安装说明进行操作。

jupyter notebook

���置环境变量

Mac/Linux/WSL

export API_ENV_VAR="your-api-key-here"

Windows Powershell

$env:API_ENV_VAR = "your-api-key-here"

🔑 API 密钥配置

OpenAI API Key

• 如果你没有 OpenAI API key，可以在此处注册
• 在环境中设置 OPENAI_API_KEY

LangSmith API

• 在此处注册 LangSmith
• 了解更多关于 LangSmith 的信息，请访问这里
• 设置以下环境变量：
  • LANGSMITH_API_KEY
  • LANGSMITH_TRACING_V2=true
  • LANGSMITH_PROJECT="langchain-academy"
• 如果你在欧盟实例上，还需设置 LANGSMITH_ENDPOINT="https://eu.api.smith.langchain.com"

Tavily Search API

• Tavily Search API 是一个为 LLM 和 RAG 优化的搜索引擎
• 你可以在此处注册 API key
• 注册简单，提供非常慷慨的免费套餐
• Module 4 中的一些课程会使用 Tavily
• 在环境中设置 TAVILY_API_KEY

🎨 设置 LangGraph Studio

• Studio 是一个用于查看和测试 agents 的自定义 IDE
• Studio 可以在 Mac、Windows 和 Linux 上本地运行并在浏览器中打开
• 查看此处的本地 Studio 开发服务器文档
• Module 1-5 的 LangGraph Studio 图位于 module-x/studio/ 文件夹中

启动本地开发服务器

在每个模块的 /studio 目录中运行以下命令：

langgraph dev

你应该看到以下输出：

- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- 📚 API Docs: http://127.0.0.1:2024/docs

打开浏览器并导航到 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

配置 .env 文件

从命令行运行以下命令为 module 1 到 5 创建 .env 文件：

for i in {1..5}; do
  cp module-$i/studio/.env.example module-$i/studio/.env
  echo "OPENAI_API_KEY=\"$OPENAI_API_KEY\"" > module-$i/studio/.env
done
echo "TAVILY_API_KEY=\"$TAVILY_API_KEY\"" >> module-4/studio/.env

📝 翻译说明

本仓库的翻译工作：

• 所有 Jupyter Notebook 的 Markdown 单元格已翻译为中文
• 代码块、代码注释保持英文不变
• 技术术语在首次出现时保留英文，后续使用中文
• 所有链接、图片引用保持不变

🤝 贡献

欢迎提交 Issue 和 Pull Request 来改进翻译质量！

📄 许可证

本项目遵循原始仓库的许可证。

🙏 致谢

• 感谢 LangChain 团队提供优秀的课程内容
• 原始课程仓库: https://github.com/langchain-ai/langchain-academy

---

Note: 这是一个学习项目，翻译内容仅供学习参考。如有翻译错误或建议，欢迎提出 Issue。