它是一个开发框架用来把大模型 提示词 外部数据 工具/API 记忆 工作流组合成可运行的 AI 应用例如企业知识库问答RAG能查天气、数据库或调用业务 API 的助手多步骤 AI Agent带记忆的客服或个人助理现在可以这样理解它的生态LangChain模型、工具和 Agent 的高层组件LangGraph复杂、有状态、可恢复的 Agent 工作流LangSmith调试、追踪、评测和监控推荐学习路线基础准备Python、HTTP/API、JSON、异步基础先直接调用一次任意模型 API。LangChain 入门学模型调用、消息、结构化输出、Prompt Template以及 Runnable/管道思路。工具调用与 Agent自己写 23 个工具让模型判断何时调用它们理解 Agent 循环而不只是复制代码。RAG掌握文档加载、切分、Embedding、向量库、检索和引用来源。做一个“本地文档问答”项目。记忆与 LangGraph学状态、节点、边、条件分支、短期/长期记忆以及人工确认和失败恢复。可靠性与上线用 LangSmith 做追踪和评测再学习流式输出、缓存、成本、权限、重试与部署。最合适的练手顺序普通聊天 → 工具调用助手 → 文档问答 RAG → 有状态 Agent不要一开始背完整 API围绕一个小项目边做边学最快。当前官方入门以create_agent为主Python 需要 3.10 以上LangChain 官方快速入门LangChain 安装说明LangGraph 概览LangChain 是用来把大模型、提示词、外部数据和工具串起来做成应用的框架,常见在 RAG 问答、工具调用助手和多步 Agent 工作流这些场景。学习建议是:先补好 Python 和基础 API 调用,再学 LangChain 的模型、Prompt、工具调用和 Agent 基础,然后做个小型 RAG 项目,接着用 LangGraph 做有状态的流程,最后补上评测、调试和部署。你可以这样开始:先用 Python 直接调一次大模型,再用 LangChain 做个聊天机器人,接着加一个工具,然后做“读 PDF 回答问题”的 RAG,最后再学 LangGraph。每天一小时,大概两到四周能入门,跟着官方 Quickstart 过一遍就行。