LangChain 大模型 AI 应用与多智能体实战开发

这套资料的主题很明确：用 LangChain 把大模型能力组织成可运行的应用，并进一步落到多智能体协作与 AI 销售助手这条具体业务线上。它适合已经能写 Python、调过至少一个模型 API、但还没把「提示词—检索—工具调用—多智能体」串成完整工程的开发者。对照代码跑一遍，比只看讲解更容易发现自己在哪一层卡住。

技术栈与依赖边界

从资料构成看，主线是 LangChain 作为编排层，向下接本地开源模型（如 ChatGLM3）与在线大模型 API，向上接向量库 ChromaDB 完成检索增强。这套组合的价值在于分层清晰：模型层负责生成，检索层负责事实召回，编排层负责把两者和工具调用缝在一起。资料里对本地模型的调用是一条独立线索，意味着你可以先用本地环境把链路跑通，再替换成线上模型对比效果和成本，而不是一上来就被 API 配额和网络问题挡住。

需要注意版本问题。LangChain 迭代较快，早期教程里的 Chain 写法在新版本中可能已被 LCEL 或 Agent 新接口替代。拿这份资料练手时，优先理解它想表达的调用顺序和数据结构，而不是逐字照搬导入路径；遇到导入报错，先查当前版本的等价写法，这本身就是一次有效的工程训练。

从提示词到检索：可复用的几块积木

• 对话形式的提示词工程：把系统指令、历史轮次、当前输入分层管理，是后续所有模块的地基。多轮上下文如何裁剪、如何避免指令被历史稀释，这里能直接对照实现。
• 向量检索与问题匹配：用 ChromaDB 做相似度匹配来提升回答准确率，本质是把「模型自由发挥」换成「先检索再约束生成」。这块可以单独抽出来复用到任何知识问答场景。
• 本地模型接入：把模型调用封装成可替换的组件，是让项目不被单一供应商绑定的关键。资料里对 ChatGLM3 的处理方式，可以迁移到其他开源模型。
• 工程资料包：体量较大的配套资源通常包含依赖清单、数据样本和中间产物，建议先读配置和入口脚本，再决定跑哪条链路，避免盲目全量下载后无从下手。

多智能体协作的组织方式

多智能体不是「多开几个模型」，而是角色分工与消息流转的设计问题。资料把多智能体协作与 AI 销售助手架构放在一起讲，这个选型很务实：销售场景天然包含客户意图识别、产品知识检索、话术生成、跟进记录等不同职责，正好对应不同角色的智能体。你在对照实现时应重点关注三件事——角色之间用什么结构传递信息、谁来决定下一步交给哪个角色、失败或信息不足时如何回退。把这三点理清，换成客服、投研、内部知识助手等其他场景，架构基本可以直接搬。

建议的自学顺序

不要按文件顺序平推。建议先跑通单模型对话加提示词模板，确认调用链没问题；再接 ChromaDB，观察检索命中率对回答质量的影响；然后引入工具调用，最后才进入多智能体。每完成一层，就把该层抽成一个独立模块，写下输入输出约定。这样到最后组装销售助手时，你手里已经有几块能复用的积木，而不是一坨只能整体运行的代码。视频适合看思路，真正的收获来自把配套代码改坏再修好——改一改提示词模板、换一个向量模型、把某个智能体的职责拆细，这些动作比看完更接近实际开发。