尚硅谷 - LangChain从入门到实战（2026版）

LangChain 这类框架的问题在于：官方文档更新快，示例偏碎片化，照着敲一遍能跑，但真要落到自己的项目里，往往卡在「链怎么拆」「状态往哪放」「检索质量和成本怎么平衡」这几步。这套 2026 版的 LangChain 课程，价值不在于把 API 罗列一遍，而在于它给出了一个从最小可运行单元逐步长成完整应用的推进顺序，适合边看边对照自己的代码改。

技术栈与版本定位

课程围绕 LangChain 的当前主线版本展开，覆盖的组件包括 Prompt 模板、LCEL 表达式语言、输出解析器、Memory 与会话状态、Document Loader 与文本切分、向量库接入、Retriever 与 RAG 链路、Tool 调用与 Agent 执行循环。和早期版本相比，LCEL 的管道写法（用|组合 Runnable）已经是主流范式，课程对这一层的讲解比较靠前，这对后续理解 Agent 内部怎么串起模型、工具和回调很关键。

配套部分涉及模型接入层（OpenAI 兼容接口与国内模型 API 的切换）、向量化模型选择，以及用 FastAPI 之类的方式把链暴露成服务。如果你之前只用过单次invoke调模型，这里能补上「一条链如何被拆成可测试、可替换的节点」这一课。

项目结构上的可借鉴之处

实战部分通常不是把代码堆在一个文件里，而是按职责分层：配置与密钥管理单独抽出，Prompt 集中存放便于版本对比，链的定义和链的调用分离，向量库的构建（离线索引）与查询（在线检索）分成两条路径。这种拆法在真实项目里很实用——索引重建是低频重活，查询是高频轻活，混在一起会导致每次改 Prompt 都要重新灌数据。

另外值得留意的是状态管理部分。多轮对话里 Memory 的存法、Agent 中间步骤的观测（callback 与 tracing），这些在 demo 里可以糊弄，在稍复杂的应用里必须提前设计。课程在这块的推进节奏，适合拿来反向检查自己现有代码是否埋了坑。

几个可以重点对照的模块

• LCEL 组合：理解 Runnable 的输入输出契约，是后面接 Agent、接流式输出的基础。
• RAG 链路：从切分策略、召回数量到重排（rerank），每一步都直接影响回答质量，课程给出了可调的参数位置。
• Agent 与工具调用：重点看工具描述怎么写、循环终止条件怎么设，这是最容易失控的一环。
• 输出解析与结构化：让模型返回 JSON 而不是自由文本，是接下游系统的前提。

怎么用这份资料自学

建议不要顺着视频从头看到尾。先挑一个自己手上真实的小需求（比如把一批内部文档做成问答），按课程顺序只取需要的部分：先跑通最小 RAG，再补 Memory 和工具调用。每看完一个模块，回头改一遍自己的代码，比单纯跟着敲示例有效得多。

遇到 API 变更时，以官方文档和源码为准，课程里的示例当作结构参考而非唯一答案。LangChain 抽象层较厚，读不懂某一步时，直接翻对应类的源码往往比再看一遍讲解更快。做完一个完整链路后再回头看它的分层设计，收获会比第一次看大很多。