尚硅谷 LangChain从入门到实战（2026最新版）

课程简介

先判断：这门课值不值得你花时间 LangChain 这两年热度起落很明显。2023 年它几乎是"大模型应用开发"的代名词，之后随着各家 SDK 补齐能力、Agent 框架层出不穷，质疑声也多了起来。所以要不要学，先看它对你有没有用。如果你的工作里出现了这些场景——要把公司文档接进大模型做问答、要做一个能调用搜索或数据库的问答助手、要把多步 LLM 调用串…

已有 0 人浏览发布 2026-08-13 更新 2026-08-13

先判断：这门课值不值得你花时间

LangChain 这两年热度起落很明显。2023 年它几乎是"大模型应用开发"的代名词，之后随着各家 SDK 补齐能力、Agent 框架层出不穷，质疑声也多了起来。所以要不要学，先看它对你有没有用。

如果你的工作里出现了这些场景——要把公司文档接进大模型做问答、要做一个能调用搜索或数据库的问答助手、要把多步 LLM 调用串成一条可控流程——那 LangChain 仍然是目前文档最全、社区案例最多的选择之一。它解决的核心问题不是"怎么调 API"，而是"怎么把模型、提示词、外部数据、工具调用组装成一个能被维护的应用"。这门课就是冲着这个组装能力去的。

反过来说，如果你只是想写个脚本调一次 GPT 接口，或者你的目标纯粹是研究模型训练与微调，那这门课不是你的第一优先级。

这门课真正能让你独立做出什么

判断一门实战课好坏，标准是学完之后你能不能脱离教程自己动手。按课程的组织方式，学完大致能达到这几个具体状态：

能自己搭一个基于私有文档的问答流程，包括文档切分、向量化入库、检索回来再交给模型作答这一整条链路，而不是只会跑示例。
能写出带工具调用的应用，让模型自己决定什么时候去查资料、什么时候去算数，并处理它调用失败的情况。
能把多步流程编排起来，知道什么时候用链式串联，什么时候上 Agent，两种写法的取舍在哪里。
能读懂官方文档和社区项目里的 LangChain 代码，遇到新组件知道该从哪个抽象入手。

这些能力对应的正是招聘信息里"RAG""Agent 开发""大模型应用落地"几类岗位的日常内容。

资料适合什么基础的人

课程标注了"从入门到实战"，但这里的"入门"指的是 LangChain 的入门，不是编程的入门。你需要至少满足两点：能独立写 Python，看得懂类和函数调用；对 HTTP 请求、JSON、环境变量这些概念不陌生。有这两条打底，跟下来不会卡壳。

如果你之前接触过一点大模型 API 调用，会更容易进入状态，因为课程前半段的很多概念是围绕"你已经会直接调 API"这个前提展开的，讲的是在它之上多做一层封装能带来什么。

完全没写过代码、或者只接触过图形化 AI 工具的同学，建议先补一段 Python 再回来，否则实战部分容易变成照着敲、敲完也不明白。

怎么用这份资料效率更高

这类视频课最常见的浪费是"看完了但没写过"。建议的用法是：

原理部分可以按 1.5 倍速过，重点听抽象的设计意图，不必逐字记。
每讲完一个组件，先关掉视频自己重写一遍最小示例，再对照课程看差在哪。
实战项目不要只看结果，要跟着改需求——换一个数据源、加一个工具、改一下提示词，看系统怎么变化。
遇到版本差异时以官方文档为准，LangChain 迭代快，课程录制时的写法不一定是最新的，但底层概念变化没那么大。

最后提醒一句：LangChain 是工具，不是目的。学它的同时，把精力放在"检索质量怎么评估""提示词怎么稳定""失败怎么兜底"这些真问题上，这些才是决定你做的应用能不能用的东西。

尚硅谷 LangChain从入门到实战（2026最新版）

深入探索LangChain应用实战

编辑点评

系统讲解LangChain原理，实战项目丰富，适合AI开发者和对大模型应用感兴趣的学习者。

⭐ 编辑推荐

跟随尚硅谷，从零开始学习LangChain，掌握大模型应用开发。

课程亮点

•LangChain原理深入浅出

•实战项目丰富多样

•适合AI开发者学习

课程目录

尚硅谷-LangChain从入门到实战（2026版）必看.png [493.5 KB]
007-Conda的安装及虚拟环境的配置.mp4 [142.8 MB]
033-工具的调用方式与整体执行流程分析.mp4 [174.7 MB]
042-Pydantic的基本使用.mp4 [76.7 MB]
100-在工具中访问长期记忆（基于PostgresStore）.mp4 [47.9 MB]
041-结构化输出的理解.mp4 [37.3 MB]
070-ToolCallLimitMiddleware中间件的使用.mp4 [76.4 MB]
063-Agent的实战：多功能智能助手.mp4 [171.9 MB]
013-调用智谱和阿里云百炼平台的大模型.mp4 [106.9 MB]
021-流式调用、批量调用与异步调用.mp4 [215.9 MB]
116-Milvus数据库的DML和DQL操作.mp4 [183.4 MB]
092-短期记忆之PostgreSQL实现持久化存储.mp4 [66.7 MB]
004-LangChain是什么.mp4 [126.8 MB]
103-RAG工作流程和环境准备.mp4 [83.1 MB]
119-项目Assistant客服知识库之初始化Agent_检索函数.mp4 [45.8 MB]
030-ChatPromptTemplate的两种实例化方式和三种调用方式.mp4 [212.3 MB]
060-ToolStrategy的tool_message_content参数使用.mp4 [63.9 MB]
012-调用DeepSeek官网的DeepSeek模型.mp4 [143.2 MB]
076-ContextEditingMiddleware中间件的使用.mp4 [65.8 MB]
106-PyPDFLoader和MinerU加载pdf文件.mp4 [81.6 MB]
109-CharacterTextSplitter的使用.mp4 [76.7 MB]
101-在中间件中访问长期记忆.mp4 [45.4 MB]
077-FilesystemFileSearchMiddleware中间件的使用.mp4 [25.0 MB]
008-大模型应用场景1：Agent开发.mp4 [87.7 MB]
072-LLMToolSelectorMiddleware中间件的使用.mp4 [57.3 MB]
059-ToolStrategy的schema设置结构化输出-其它几种方式.mp4 [246.6 MB]
117-项目Assistant客服知识库之全局配置_初始化Milvus.mp4 [83.7 MB]
090-PostgreSQL数据库的安装.mp4 [58.5 MB]
019-测试invoke传递三种不同的参数类型.mp4 [202.0 MB]
088-基于内存存储的工作原理和常见问题.mp4 [53.6 MB]
118-项目Assistant客服知识库之文档切分_向量化并写入Milvus.mp4 [170.7 MB]
108-切分策略及TextSplitter中的三个核心方法.mp4 [112.8 MB]
015-使用OpenRouter和CloseAI中转平台调用模型.mp4 [182.6 MB]
027-对话历史的管理和优化.mp4 [99.2 MB]
018-Ollama的安装与本地模型的调用.mp4 [124.1 MB]
003-大模型相关岗位介绍.mp4 [48.0 MB]
016-LangChain1.x中init_chat_model方式.mp4 [209.2 MB]
094-消息裁剪的治理策略.mp4 [137.8 MB]
017-模型初始化常用的参数.mp4 [116.4 MB]
082-装饰器参数can_jump_to的使用.mp4 [206.9 MB]
084-wrap_tool_call的实现和使用场景.mp4 [118.1 MB]
054-Agent绑定工具并调用.mp4 [213.2 MB]
050-两种获取结构化结果的方式.mp4 [125.2 MB]
032-部分变量预填充_消息占位符等的使用.mp4 [171.5 MB]
010-大模型开发的4个递进场景.mp4 [40.0 MB]
009-大模型的应用场景2：Agent开发.mp4 [51.6 MB]
053-Agent通过invoke()方式调用.mp4 [58.1 MB]
031-ChatPromptTemplate初始化的6种参数类型.mp4 [136.1 MB]
073-ToolRetryMiddleware中间件的使用.mp4 [119.9 MB]
014-ChatOpenAI兼容用法.mp4 [105.7 MB]
102-RAG模块的必要性.mp4 [81.2 MB]
055-工具调用流程分析_常见问题分析.mp4 [118.8 MB]
029-content和content_blocks的使用.mp4 [148.9 MB]
095-消息删除、摘要的治理策略.mp4 [203.5 MB]
086-记忆的概念和记忆的分类.mp4 [150.5 MB]
024-LangSmith的主要功能介绍.mp4 [19.9 MB]
067-PIIMiddleware中间件的使用.mp4 [138.4 MB]
020-invoke的返回值的详细说明.mp4 [119.7 MB]
096-长期记忆的介绍和存储架构.mp4 [61.2 MB]
023-LangSmith的介绍与基本使用.mp4 [80.4 MB]
046-TypedDict格式的使用.mp4 [134.3 MB]
057-agent结构化输出的4种策略.mp4 [183.1 MB]
069-ModelCallLimitMiddleware中间件的使用.mp4 [121.1 MB]
051-Agent的概述.mp4 [61.6 MB]
083-wrap_model_call的实现和使用场景.mp4 [121.4 MB]
107-其它格式文件的加载器.mp4 [65.1 MB]
120-项目Assistant客服知识库之生产与回答生成.mp4 [132.1 MB]
002-为什么需要LangChain.mp4 [113.4 MB]
114-Milvus的安装和数据模型说明.mp4 [53.8 MB]
026-4种消息对象中字段的说明.mp4 [156.7 MB]
089-腾讯云部署Linux服务器.mp4 [65.1 MB]
078-多个中间件组合及执行顺序.mp4 [34.5 MB]
001-课程介绍.mp4 [64.1 MB]
093-对比两种方式的不同.mp4 [86.4 MB]
075-LLMToolEmulator中间件的使用.mp4 [13.7 MB]
113-向量数据库介绍_docker的安装和设置.mp4 [78.5 MB]
085-装饰器和类方式的选择_hook函数执行顺序.mp4 [99.9 MB]
038-案例3和4：多工具的调用.mp4 [131.2 MB]
028-案例：多轮对话聊天机器人.mp4 [102.2 MB]
098-search()操作的演示.mp4 [154.5 MB]
066-HumanInTheLoopMiddleware中间件的使用.mp4 [269.3 MB]
061-Agent的高级用法：错误处理机制.mp4 [341.1 MB]
043-Pydantic高级特性：可选字段、默认值、枚举类型.mp4 [140.3 MB]
006-LangChain家族四大支柱.mp4 [79.6 MB]
079-Hook函数的理解.mp4 [54.2 MB]
045-Pydantic模式的工作流程图解.mp4 [20.6 MB]
104-TextLoader和CSVLoader的使用.mp4 [67.4 MB]
074-ModelRetryMiddleware中间件的使用.mp4 [20.7 MB]
005-LangChain的主要模块和API文档.mp4 [74.6 MB]
039-tool_choice参数的使用.mp4 [117.7 MB]
112-嵌入模型的初始化及文档向量化举例.mp4 [134.8 MB]
099-在工具中访问长期记忆（基于InMemoryStore）.mp4 [130.9 MB]
087-短期记忆之基于内存的持久化器的实现.mp4 [160.7 MB]
091-远程服务器连接额外操作.mp4 [66.1 MB]
022-profile属性_初始化model_kwargs与extra_body参数_调用的config参数.mp4 [321.8 MB]
052-Agent实例化中模型的两种传入方式.mp4 [63.9 MB]

适合人群

AI开发者
大模型应用爱好者
编程初学者

学习收获

掌握LangChain原理

学会大模型应用开发

提升AI项目实战能力

祝您学习愉快！

学有所成，前程似锦！