计划概览：

• LangChain 架构演进（从 0.x 到 1.x 的变化）
• LangChain 1.x 新特性
• LangChain 与 LangGraph 的关系

• 开发工具：VS Code / Trae IDE (macOS)
• 大语言模型：GLM-4.7-Flash（可通过 .env 配置）
• Python 3.13.3 环境
• LangChain 1.2.x 安装
• 基础依赖：langchain-core, langchain-community, langchain-openai
• API 密钥配置：在项目根目录创建 .env 文件，内容如下：

OPENAI_API_KEY=your_api_key_here
OPENAI_API_BASE=https://api.example.com/v1
OPENAI_API_MODEL=GLM-4.7-Flash

注意：代码会自动读取项目根目录的 .env 文件，请确保已配置正确的 API 密钥。

工具说明：

项目提供了 tools.py 工具文件，包含以下便捷函数：

• make_model(model_name): 创建 ChatOpenAI 模型实例
• make_openai(model_name): 创建 OpenAI LLM 模型实例
• make_ollama(model_name): 创建本地 Ollama 模型实例
• make_embedding(base_url, model): 创建本地 Embeddings 实例（基于 llama.cpp）

本地模型支持：

项目支持使用本地模型（通过 Ollama）：

• LLM: gemma4:e4b-it-q4_K_M_opt
• Embeddings: bge-m3:latest

使用前请确保已启动 Ollama 服务并下载相应模型。

• LCEL (LangChain Expression Language)
  • 管道操作符 |
  • Runnable 接口
  • 组件组合
• Model I/O
  • Chat Models
  • LLMs
  • Output Parsers
  • Prompt Templates
• Chains
  • LLMChain
  • Sequential Chains
  • Transformation Chains

代码位置： ./阶段1/

• 文本文件加载
• PDF 加载
• 网页加载
• 数据库加载

• 字符分割
• 递归分割
• Markdown 分割
• 代码分割

• OpenAI Embeddings
• 本地 Embeddings
• 向量存储

代码位置： ./阶段2/

20_rag_sg.py 和 **20_rag_sg_load.py` 展示了一个完整的中文 RAG 应用：

• 中文嵌入模型: 使用 dengcao/Dmeta-embedding-zh:F16 本地模型，无需 API Key
• 智能文档分割: 按章节分割《三国演义》，保留章节标题作为元数据
• MMR 检索: 平衡相关性和多样性，获取更全面的上下文
• 向量数据库持久化: 避免重复创建，快速启动应用
• 中文问答: 基于检索内容回答关于《三国演义》的问题

运行方式：

# 首次运行：创建向量数据库
python 阶段2/20_rag_sg.py

# 后续运行：直接加载向量数据库
python 阶段2/20_rag_sg_load.py

示例查询：

• "诸葛亮有哪些著名的计谋？"
• "刘备三顾茅庐的故事是怎样的？"
• "赤壁之战的经过如何？"

• create_retrieval_chain：快速构建检索→生成链路
• create_stuff_documents_chain：将检索结果直接传入 LLM
• create_map_reduce_documents_chain：分块总结→合并结果

Memory 组件：

Retrieval 组件：

高级检索方案：

代码位置： ./阶段3/

• Agent Types
• Agent Executor
• 代理决策流程

• Tool 定义
• ToolKit
• 自定义工具
• 工具绑定

• State
• Node
• Edge
• 条件边

Agents（Agent 类型与执行）：

Tools（工具定义与绑定）：

LangGraph（有状态图）：

代码位置： ./阶段4/

• Callbacks
• LangSmith 集成

• Pydantic Output Parser
• JSON Parser
• XML Parser

• 错误处理
• 重试机制
• 流式输出

代码位置： ./阶段5/

1. RAG 问答系统 - 结合知识库的自然语言问答
2. AI 聊天机器人 - 带记忆的对话系统
3. Agent 自动化任务 - 使用工具自动完成任务
4. 三国演义智能问答系统 - 基于全书的 RAG + LangGraph 专家系统（命令行）
5. 三国通 Web API - FastAPI 后端 + Vue3 前端交互式聊天界面（收官项目）

代码位置： ./阶段6/

基于《三国演义》111回全文的完整 RAG + LangGraph 智能问答 Web 应用，综合运用了全部六个阶段的知识点：

┌──────────────────────────────────────────────────────┐
│                    三国通 架构                         │
├──────────┬─────────────────────┬─────────────────────┤
│  前端     │      后端           │       数据层         │
│ Vue3+Axios│   FastAPI          │  FAISS + bge-m3     │
│ 暗色中国风 │  LangGraph 图      │  三国演义111回全文    │
│ 实时计时器 │  5路意图路由        │  MMR 检索策略        │
└──────────┴─────────────────────┴─────────────────────┘

# 启动三国通 Web 服务
python 阶段6/05_sg_api_server.py

# 浏览器访问 http://localhost:8000

详细说明见 阶段6 README

• https://python.langchain.com/
• https://langchain-ai.github.io/langgraph/

1. 先通读官方文档的 "Get Started"
2. 跟着官方教程动手实践
3. 阅读 LangChain 源码理解原理
4. 做项目巩固知识

langchain==1.2.12
langchain-core==1.2.18
langgraph==1.1.1
langsmith==0.7.16
langchain-openai
langchain-community
langchain-ollama
python-dotenv

# 安装基础依赖
pip install langchain langchain-core langchain-community langchain-openai

# 安装 Ollama 支持（可选，用于本地模型）
pip install langchain-ollama

# 安装环境变量管理
pip install python-dotenv

所有示例代码使用配置在 .env 文件中的 API：

• API 地址: 通过 OPENAI_API_BASE 环境变量配置
• API Key: 通过 OPENAI_API_KEY 环境变量配置
• 默认模型: 通过 OPENAI_API_MODEL 环境变量配置（默认：GLM-4.7-Flash）

项目支持使用本地模型（通过 Ollama）：

• LLM: gemma4:e4b-it-q4_K_M_opt
• Embeddings: bge-m3:latest

使用前请确保已启动 Ollama 服务并下载相应模型：

# 启动 Ollama 服务
ollama serve

# 下载模型
ollama pull gemma4:e4b-it-q4_K_M_opt
ollama pull bge-m3:latest

# 启动本地服务器（可选）
bash start-llama-servers.sh