LangChain 学习项目 🚀

个人学习 LangChain 和 LangGraph 的实践记录，基于 LangGraph 官方教程 的中文翻译版本和适合国内环境的配置。

📖 项目简介

这个项目是我学习 LangChain 生态系统的个人实践记录。基于 LangGraph 官方教程，我将英文教程翻译成中文，并针对国内开发环境进行了优化配置，主要是为了：

• 📚 学习记录：记录自己的学习进度，增强学习的成就感和持续动力
• 🌏 本土化适配：解决国内开发者在使用 LangChain 时遇到的网络和 API 访问问题
• 🎯 实践导向：通过动手实践来深入理解 LangChain 的核心概念
• 🔄 自我反馈：通过翻译和修改代码来验证自己的理解程度

🎯 主要特色

🌟 中文化内容

• 将英文官方教程完整翻译成中文
• 保留关键技术术语的英文原文，确保准确性
• 添加更详细的中文注释和说明

🛠 国内环境优化

• OpenRouter 集成：使用 OpenRouter 替代直接调用 OpenAI API
• 网络访问优化：解决国内网络环境下的 API 访问问题
• 多模型支持：通过 OpenRouter 访问多种 LLM 模型（GPT-4、Claude、Llama 等）

📊 学习进度追踪

• 00: 基础聊天机器人 (Basic Chatbot) - LangGraph 入门教程
• 01: 工具调用聊天机器人 (Tool-calling Chatbot) - 集成外部工具
• 02: 记忆功能聊天机器人 (Memory-enabled Chatbot) - 添加持久化记忆
• 03: 人机交互控制 (Human-in-the-Loop) - 添加人工干预机制
• 04: 自定义状态管理 (Custom State) - 复杂状态字段管理
• 05: 多智能体系统 (Multi-agent System) - 多智能体协作

📁 项目结构

langchain_study/
├── README.md                               # 项目介绍（本文件）
├── .env.example                            # 环境变量配置模板
├── .gitignore                              # Git 忽略文件配置
├── test_api.py                             # API 连接测试脚本
├── 00_basic_chatbot_tutorial.ipynb        # 00: 基础聊天机器人教程
├── 01_tool_calling_chatbot_tutorial.ipynb # 01: 工具调用聊天机器人教程
├── 02_memory_chatbot_tutorial.ipynb       # 02: 记忆功能聊天机器人教程
├── 03_human_in_loop_tutorial.ipynb        # 03: 人机交互控制教程
└── docs/                                   # 学习笔记和文档（计划中）
    ├── concepts.md                         # 核心概念笔记
    ├── troubleshooting.md                 # 常见问题解决
    └── resources.md                        # 学习资源整理

🚀 快速开始

环境准备

1. 安装依赖

pip install -U langgraph langsmith langchain[openai] langchain-tavily python-dotenv

2. 获取 API Keys

   • OpenRouter API Key: 访问 OpenRouter 注册账户并获取 API Key（格式：sk-or-...）
   • Tavily API Key: 访问 Tavily 注册账户并获取搜索引擎 API Key

3. 配置环境变量

# 方法一：使用 .env 文件（推荐）
cp .env.example .env
# 然后编辑 .env 文件，填入您的实际 API Keys

# 方法二：直接在代码中设置（不推荐用于生产环境）
# 教程中的代码会自动处理环境变量配置

运行教程

1. 基础入门：打开 00_basic_chatbot_tutorial.ipynb（基础聊天机器人）
2. 工具集成：打开 01_tool_calling_chatbot_tutorial.ipynb（工具调用）
3. 记忆功能：打开 02_memory_chatbot_tutorial.ipynb（持久化记忆）
4. 人机交互：打开 03_human_in_loop_tutorial.ipynb（人工干预控制）
5. 按步骤执行每个单元格
6. 体验从零构建完整 LangGraph 应用的全过程

🔧 配置说明

OpenRouter 集成优势

• ✅ 统一接口：一个 API Key 访问多个 AI 模型
• ✅ 网络友好：解决国内访问 OpenAI 的网络问题
• ✅ 成本优化：竞争性定价，支持多种付费方式
• ✅ 模型丰富：支持 GPT、Claude、Llama、Gemini 等主流模型

支持的模型示例

# GPT-4o
llm = init_chat_model("openai:openai/gpt-4o", base_url="https://openrouter.ai/api/v1")

# Claude 3.5 Sonnet
llm = init_chat_model("openai:anthropic/claude-3.5-sonnet", base_url="https://openrouter.ai/api/v1")

# Llama 3.1 405B
llm = init_chat_model("openai:meta-llama/llama-3.1-405b-instruct", base_url="https://openrouter.ai/api/v1")

📈 学习心得

已完成的模块

00. 基础聊天机器人 (✅ 已完成)

• 原教程：Build a Basic Chatbot
• 中文版本：00_basic_chatbot_tutorial.ipynb
• 核心概念：StateGraph、State Management、Nodes、Edges
• 实践收获：理解了 LangGraph 的基本架构和数据流
• 本土化改进：
  • 完整的中文注释和说明
  • OpenRouter API 集成配置
  • 适合国内网络环境的解决方案
• 技术要点：
  • add_messages reducer 的作用机制
  • Graph 编译和执行流程
  • 多模型支持配置

01. 工具调用聊天机器人 (✅ 已完成)

• 原教程：Add Tools
• 中文版本：01_tool_calling_chatbot_tutorial.ipynb
• 核心概念：Tool Integration、Tool Calling、Conditional Edges、ToolNode
• 实践收获：掌握了如何为聊天机器人集成外部工具能力
• 本土化改进：
  • Tavily Search API 集成和配置说明
  • OpenRouter 多模型支持示例
  • 完整的中文注释和调试信息
• 技术要点：
  • bind_tools() 方法的使用
  • 条件边的路由逻辑
  • 预构建组件 vs 自定义组件
  • 工具调用的错误处理

02. 记忆功能聊天机器人 (✅ 已完成)

• 原教程：Add Memory
• 中文版本：02_memory_chatbot_tutorial.ipynb
• 核心概念：Checkpointing、Persistence、Thread Management、State Recovery
• 实践收获：学会了如何为聊天机器人添加持久化记忆能力
• 本土化改进：
  • 详细的检查点机制中文解释
  • 多种存储后端的配置示例
  • 线程管理和状态恢复的实践指导
• 技术要点：
  • InMemorySaver 和 SqliteSaver 的使用
  • thread_id 的线程管理机制
  • 不同 stream_mode 的区别和应用
  • 状态快照和历史记录管理

03. 人机交互控制 (✅ 已完成)

• 原教程：Human-in-the-Loop
• 中文版本：03_human_in_loop_tutorial.ipynb
• 核心概念：Interrupt、Resume、Human Assistance、Command Objects
• 实践收获：掌握了在 AI 工作流中集成人工干预和审批机制
• 本土化改进：
  • 中文化的人工协助工具和提示词
  • 适合中文用户的交互场景设计
  • 详细的中断/恢复机制中文说明
• 技术要点：
  • interrupt() 函数的暂停机制
  • Command(resume=...) 的恢复流程
  • 条件中断和智能人工协助
  • 检查点持久化在人机交互中的应用

学习反思

通过这个项目，我深刻体会到：

1. 理论与实践结合：单纯看文档和真正动手写代码是完全不同的体验
2. 本土化的重要性：解决网络和 API 访问问题大大提升了学习效率
3. 中文翻译的价值：在翻译过程中会强迫自己真正理解每个概念
4. 进度可视化：看到自己完成的 ✅ 给了很大的成就感和继续学习的动力

🎯 下一步计划

• 基础聊天机器人：掌握 LangGraph 的核心架构和基本用法
• 工具集成：为 Chatbot 添加网络搜索、计算器等工具
• 记忆功能：实现对话历史记忆和上下文理解
• 人机交互控制：添加人工干预和审批机制
• 自定义状态管理：复杂状态字段和数据结构处理
• 多智能体系统：构建多个 AI Agent 协作的系统
• RAG 系统：结合检索增强生成技术
• 生产部署：将学习成果部署到实际应用中

🤝 贡献与反馈

这是一个个人学习项目，如果您也在学习 LangChain，欢迎：

• 🌟 Star 这个项目，给我继续学习的动力
• 🐛 Issues 反馈问题或建议
• 💡 Discussions 分享您的学习心得
• 🔄 Fork 创建您自己的学习版本

📚 参考资源

官方资源

• LangGraph 官方教程 - 本项目的原始教程来源
• LangChain 官方文档
• OpenRouter API 文档
• LangSmith 调试工具

教程对照

序号	原版教程	中文版本	中文标题	状态
00	Build a Basic Chatbot	00_basic_chatbot_tutorial.ipynb	基础聊天机器人	✅ 已完成
01	Add Tools	01_tool_calling_chatbot_tutorial.ipynb	工具调用聊天机器人	✅ 已完成
02	Add Memory	02_memory_chatbot_tutorial.ipynb	记忆功能聊天机器人	✅ 已完成
03	Human-in-the-Loop	03_human_in_loop_tutorial.ipynb	人机交互控制	✅ 已完成
04	Custom State Management	04_custom_state_tutorial.ipynb	自定义状态管理	🚧 计划中
05	Multi-agent System	05_multi_agent_system.ipynb	多智能体系统	🚧 计划中

本项目基于 MIT 许可证开源，主要用于学习和交流目的。

---

⭐ 如果这个项目对您的学习有帮助，请给个 Star 支持一下！

学习之路漫漫，与君共勉。每一行代码都是成长的见证。🌱