LangGraph 基础入门

网站使用说明
本网站可以免登陆运行 Python 代码
Python 代码可以编辑并临时保存，但不会永久保存，网页刷新后会自动还原
对网站的使用有任何问题，可以到问题反馈（按钮在每个页面的右下角）免登录进行评论
运行 LangGraph/LangChain代码，需要用户输入自己的 API Key
重要声明：本网站不会保存用户的 API Key 数据，请放心输入

概述

本文档参考 LangChain Academy 的基础入门模块，进行大幅补充和拓展。这是学习 LangGraph 的第一步，帮助你理解 LangChain 生态系统的核心组件、Chat Models（聊天模型）的使用，以及基础工具集成。通过本教程，你将掌握构建 Agentic AI 应用的基础知识。

📚 术语表

术语名称	LangGraph 定义和解读	Python 定义和说明	重要程度
LangChain	构建 LLM 应用的开发框架，提供模块化组件和标准化接口	Python 包，包含 Chat Models、Prompts、Tools、Memory 等模块	⭐⭐⭐⭐⭐
LangGraph	LangChain 生态的图编排框架，用于构建有状态的 Agent 系统	Python 库，通过图结构(StateGraph)编排复杂工作流	⭐⭐⭐⭐⭐
Chat Model	聊天模型，接受消息列表输入并返回 AI 消息的 LLM 接口	ChatOpenAI 等类，实现 Runnable 接口的统一调用方法	⭐⭐⭐⭐⭐
Temperature	温度参数，控制 LLM 输出的随机性和创造性	浮点数参数(0-2)，0 为确定性输出，1 为最大创造性	⭐⭐⭐⭐
Message Types	消息类型，区分对话中的不同角色和用途	HumanMessage、AIMessage、SystemMessage、FunctionMessage 类	⭐⭐⭐⭐⭐
Runnable Interface	可运行接口，LangChain 所有组件的统一调用标准	定义 invoke、stream、batch、ainvoke 等方法的接口	⭐⭐⭐⭐⭐
Tavily Search	为 LLM 优化的搜索引擎，提供结构化搜索结果	TavilySearchResults 类，返回包含 url 和 content 的字典列表	⭐⭐⭐⭐
Environment Variable	环境变量，用于安全存储 API 密钥等敏感信息	os.environ 字典，通过 get/set 方法访问系统环境变量	⭐⭐⭐⭐⭐
getpass	安全输入模块，隐藏用户输入内容(如密码)	Python 标准库模块，getpass.getpass() 方法实现隐藏输入	⭐⭐⭐⭐
Streaming	流式输出，逐 token 返回 LLM 生成结果而非一次性返回	stream() 方法返回生成器，通过 for 循环逐个获取输出	⭐⭐⭐⭐
Model Selection	模型选择，根据任务需求选择合适的 LLM 模型	通过 model 参数指定，如 "gpt-4"、"gpt-3.5-turbo" 等	⭐⭐⭐⭐
Token Usage	Token 使用量，记录 LLM 输入输出消耗的 token 数量	response_metadata 中的 token_usage 字段，包含计费信息	⭐⭐⭐⭐

核心概念

什么是 LangChain？

LangChain 是一个用于构建 LLM（大语言模型）应用 的开发框架。它提供了：

模块化组件：Chat Models、Prompts、Tools、Memory 等
标准化接口：统一的 API，支持多种 LLM 提供商
链式组合：将多个组件组合成复杂的工作流

什么是 LangGraph？

LangGraph 是 LangChain 生态系统中的图编排框架，专门用于构建 Agent 和多 Agent 应用。它的核心优势：

循环支持（Cycles）：支持带循环的工作流，而不仅仅是 DAG（有向无环图）
精确控制（Controllability）：相对于拖拽式的 SDK，LangGraph 可以编程精确控制 Agent 的执行流程
状态持久化（Persistence）：支持状态的保存和恢复

为什么需要 LangGraph？

传统的 Agent 框架存在问题：

缺乏对执行流程的控制
难以处理复杂的决策逻辑
无法可靠地投入生产环境

LangGraph 的解决方案：

将 Agent 工作流建模为状态图
通过节点和边精确控制执行路径
支持人工介入、错误恢复等生产级特性

LangGraph 的核心逻辑（重要！）

LangGraph 的核心目的，是让开发者能够：

定义复杂多智能体（multi-agent）工作流
让这些智能体可视化、可控、可回溯
支持有状态（stateful）对话与执行，而不仅是一次性调用

课程结构

本课程包含多个模块，每个模块聚焦特定主题：

《AgenticAI 与 LangGraph 飞速上手》/
├── 第 0 章/        # 基础入门（本教程）
├── 第 1 章/        # LangGraph 核心概念
├── 第 2 章/        # Agent 架构
├── 第 3 章/        # Multi-Agent 系统
├── 第 4 章/        # 高级模式（Map-Reduce、Sub-graphs 等）
└── ...

每个模块包含：

可执行的：交互式网页，可在本书页面直接执行 Python 代码
视频教程：配套讲解视频

环境配置详解

1. 安装依赖（不同的操作系统、不同的 Python 环境配置可能会出现各种问题，需要一定的耐心处理）

bash

pip install --quiet -U langchain_openai langchain_core langchain_community tavily-python

依赖说明：

包名	用途
`langchain_openai`	OpenAI 模型集成（ChatGPT、GPT-4 等）
`langchain_core`	LangChain 核心组件（Messages、Runnables 等）
`langchain_community`	社区工具（Tavily 搜索等）
`tavily-python`	Tavily 搜索引擎 SDK

2. 配置 API 密钥

python

import os, getpass

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("OPENAI_API_KEY")

Python 知识点：环境变量与安全性

python

# 检查环境变量是否存在
os.environ.get(var)  # 返回值或 None

# 安全地获取密钥（输入时不显示）
getpass.getpass(f"{var}: ")  # 类似密码输入

# 设置环境变量
os.environ[var] = "your-api-key"

为什么使用环境变量？

🔒 安全性：避免将密钥硬编码在代码中
🔄 灵活性：可以在不同环境使用不同密钥
✅ 最佳实践：遵循 12-Factor App 原则

🤖 Chat Models 详解

什么是 Chat Model？

Chat Model 是一种接受消息列表作为输入，返回聊天消息作为输出的模型。与传统的文本生成模型不同，Chat Model 理解对话的上下文和角色。

核心特性

输入：[HumanMessage, AIMessage, SystemMessage, ...]
  ↓
Chat Model (如 GPT-4)
  ↓
输出：AIMessage

LangChain 的 Chat Model 集成

LangChain 不托管模型，而是提供统一接口，支持多个提供商：

提供商	模型示例	集成包
OpenAI	GPT-4, GPT-3.5	`langchain_openai`
Anthropic	Claude	`langchain_anthropic`
Google	Gemini	`langchain_google_genai`
Azure	Azure OpenAI	`langchain_openai`

好处：

统一 API，轻松切换模型
模型无关的应用设计
支持 70+ 模型提供商

💻 Chat Model 实战

1. 初始化 Chat Model

python

from langchain_openai import ChatOpenAI

# 初始化 GPT-4o
gpt4o_chat = ChatOpenAI(model="gpt-5-nano", temperature=0)

# 初始化 GPT-3.5（更便宜）
gpt35_chat = ChatOpenAI(model="gpt-3.5-turbo-0125", temperature=0)

关键参数详解：

`model`（模型名称）

python

# GPT-4/5 系列 - 高质量、较贵
"gpt-5-nano"              # 最新优化版本
"gpt-4-turbo"         # GPT-4 Turbo

# GPT-3.5 系列 - 便宜、快速
"gpt-3.5-turbo-0125"  # GPT-3.5 最新版本

如何选择？

需要高质量输出 → GPT-5
需要降低成本 → GPT-5-nano
兼容性更好 → GPT-4o-mini（本课程默认）

`temperature`（温度参数）

控制输出的随机性和创造性：

python

temperature = 0    # 确定性输出（适合事实查询、代码生成）
temperature = 0.7  # 平衡（适合对话）
temperature = 1.0  # 最大创造性（适合创意写作）

示例对比：

python

# Temperature = 0 (每次输出几乎相同)
"巴黎是法国的首都。"
"巴黎是法国的首都。"

# Temperature = 1.0 (每次输出不同)
"巴黎，这座浪漫之都，是法国的首都。"
"法国的首都是美丽的巴黎。"

2. 调用 Chat Model

方法 1：使用消息对象

python

from langchain_core.messages import HumanMessage

# 创建消息
msg = HumanMessage(content="Hello world", name="Lance")

# 调用模型
response = gpt4o_chat.invoke([msg])

输出：

python

AIMessage(
    content='Hello! How can I assist you today?',
    response_metadata={
        'token_usage': {'completion_tokens': 9, 'prompt_tokens': 11, 'total_tokens': 20},
        'model_name': 'gpt-5-nano-2024-05-13',
        'finish_reason': 'stop'
    },
    id='run-d3c4bc85-ef14-49f6-ba7e-91bf455cffee-0'
)

LangChain 知识点：消息类型

消息类型	作用	示例
`HumanMessage`	用户输入	用户的问题、指令
`AIMessage`	AI 回复	模型的回答
`SystemMessage`	系统指令	设定 AI 的角色、行为
`FunctionMessage`	函数调用结果	Tool 执行的返回值

消息对象结构：

python

HumanMessage(
    content="Hello world",  # 消息内容
    name="Lance"            # 可选：发送者名称
)

方法 2：使用字符串（简化写法）

python

response = gpt4o_chat.invoke("hello world")

内部转换：

python

"hello world"  →  HumanMessage(content="hello world")

何时使用？

✅ 简单单轮对话
❌ 多轮对话（需要保留历史）

3. 切换模型

python

# GPT-4o 回复
gpt4o_chat.invoke("hello world")
# → AIMessage(content='Hello! How can I assist you today?', ...)

# GPT-3.5 回复（使用相同接口！）
gpt35_chat.invoke("hello world")
# → AIMessage(content='Hello! How can I assist you today?', ...)

优势：

🔄 统一接口，无需修改代码
💰 灵活切换，优化成本
🧪 A/B 测试不同模型

🔍 搜索工具集成：Tavily

什么是 Tavily？

Tavily 是一个为 LLM 优化的搜索引擎，提供：

📊 结构化搜索结果
⚡ 快速响应（针对 RAG 优化）
💎 高质量内容（过滤低质量网页）

配置 Tavily API

python

_set_env("TAVILY_API_KEY")

免费额度：

新用户赠送免费 credits
足够完成本课程的学习

使用 Tavily 搜索

python

from langchain_community.tools.tavily_search import TavilySearchResults

# 初始化搜索工具
tavily_search = TavilySearchResults(max_results=3)

# 执行搜索
search_docs = tavily_search.invoke("What is LangGraph?")

输出示例：

python

[
    {
        'url': 'https://www.datacamp.com/tutorial/langgraph-tutorial',
        'content': 'LangGraph is a library within the LangChain ecosystem designed to tackle these challenges head-on. LangGraph provides a framework for defining, coordinating, and executing multiple LLM agents (or chains) in a structured manner.'
    },
    {
        'url': 'https://langchain-ai.github.io/langgraph/',
        'content': 'Overview LangGraph is a library for building stateful, multi-actor applications with LLMs, used to create agent and multi-agent workflows. Compared to other LLM frameworks, it offers these core benefits: cycles, controllability, and persistence.'
    },
    {
        'url': 'https://www.youtube.com/watch?v=nmDFSVRnr4Q',
        'content': 'LangGraph is an extension of LangChain enabling Multi-Agent conversation and cyclic chains.'
    }
]

返回结构：

python

{
    'url': str,      # 来源 URL
    'content': str   # 提取的文本内容
}

🎓 核心知识点总结

LangChain 核心概念

1. Runnable 接口

所有 LangChain 组件（Chat Models、Tools、Chains）都实现 Runnable 接口：

方法	作用	使用场景
`invoke(input)`	同步调用	单次请求
`stream(input)`	流式输出	长文本生成
`batch(inputs)`	批量调用	并行处理多个输入
`ainvoke(input)`	异步调用	高并发场景

示例：

python

# invoke - 等待完整响应
response = chat.invoke("Tell me a joke")

# stream - 逐 token 返回
for chunk in chat.stream("Tell me a joke"):
    print(chunk.content, end="")

2. Messages（消息系统）

LangChain 使用消息对象而非纯文本：

python

# ❌ 不推荐：纯文本
"What is the capital of France?"

# ✅ 推荐：消息对象
HumanMessage(content="What is the capital of France?")

优势：

📋 保留对话历史
🎭 区分不同角色
🔧 支持多模态（文本、图片、音频）

3. 模型初始化最佳实践

python

# ✅ 在应用启动时初始化一次
chat = ChatOpenAI(model="gpt-5-nano", temperature=0)

# ❌ 不要在循环中重复初始化
for _ in range(10):
    chat = ChatOpenAI(...)  # 性能浪费

Python 核心知识点

1. 环境变量管理

python

import os

# 读取环境变量
api_key = os.environ.get("OPENAI_API_KEY")

# 设置环境变量
os.environ["OPENAI_API_KEY"] = "sk-..."

# 检查是否存在
if "OPENAI_API_KEY" in os.environ:
    print("API key is set")

生产环境最佳实践：

bash

# 使用 .env 文件（需要 python-dotenv）
# .env
OPENAI_API_KEY=sk-xxx
TAVILY_API_KEY=tvly-xxx

# Python 代码
from dotenv import load_dotenv
load_dotenv()  # 自动加载 .env 文件

2. getpass 模块（安全输入）

python

import getpass

# 不显示输入内容（类似密码输入）
password = getpass.getpass("Enter password: ")
# 用户输入时屏幕不显示

# 对比普通 input()
username = input("Enter username: ")  # 输入内容可见

3. 列表推导式

python

# 搜索结果处理示例
urls = [doc['url'] for doc in search_docs]
# → ['https://...', 'https://...', ...]

# 等价于：
urls = []
for doc in search_docs:
    urls.append(doc['url'])

💡 最佳实践

1. API 密钥安全

✅ 正确做法

python

# 1. 使用环境变量
os.environ["OPENAI_API_KEY"] = "sk-..."

# 2. 使用 .env 文件
# .env
OPENAI_API_KEY=sk-xxx

# 3. 使用密钥管理服务（生产环境）
# - AWS Secrets Manager
# - HashiCorp Vault
# - Azure Key Vault

❌ 错误做法

python

# 不要硬编码在代码中
chat = ChatOpenAI(api_key="sk-xxxxxxxxxxxxxxxx")  # ❌

# 不要提交到 Git
# config.py
API_KEY = "sk-xxxxxxxxxxxxxxxx"  # ❌

2. 模型选择策略

任务类型	推荐模型	原因
事实查询	GPT-4o	准确性高
创意写作	GPT-4	质量好
简单分类	GPT-3.5	成本低
代码生成	GPT-4o	代码质量高
批量处理	GPT-3.5	成本优化

3. Temperature 设置指南

python

# 事实性任务 - 低 temperature
chat = ChatOpenAI(model="gpt-5-nano", temperature=0)
# 适合：数学、翻译、数据提取

# 创意任务 - 高 temperature
chat = ChatOpenAI(model="gpt-5-nano", temperature=0.8)
# 适合：故事创作、营销文案、头脑风暴

# 平衡任务 - 中等 temperature
chat = ChatOpenAI(model="gpt-5-nano", temperature=0.5)
# 适合：对话、摘要、问答

4. 错误处理

python

from langchain_openai import ChatOpenAI

try:
    chat = ChatOpenAI(model="gpt-5-nano", temperature=0)
    response = chat.invoke("Hello")
except Exception as e:
    print(f"错误：{e}")
    # 处理错误：重试、降级到其他模型等

常见错误：

AuthenticationError：API 密钥错误
RateLimitError：超过速率限制
APIError：OpenAI 服务错误

🚀 进阶技巧

1. 使用 SystemMessage 设定角色

python

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage(content="你是一位专业的 Python 教师，善于用简单的例子解释复杂概念。"),
    HumanMessage(content="什么是装饰器？")
]

response = chat.invoke(messages)
print(response.content)

效果：

AI 会以教师的角色回答
使用教学性的语言和示例

2. 流式输出优化用户体验

python

# 完整输出（用户等待较久）
response = chat.invoke("写一篇关于 AI 的文章")
print(response.content)  # 等待 10 秒后一次性显示

# 流式输出（实时反馈）
for chunk in chat.stream("写一篇关于 AI 的文章"):
    print(chunk.content, end="", flush=True)  # 逐 token 显示

3. 搜索结果后处理

python

# 提取所有 URL
urls = [doc['url'] for doc in search_docs]

# 合并所有内容
combined_content = "\n\n".join([doc['content'] for doc in search_docs])

# 结合搜索结果生成回答
messages = [
    SystemMessage(content=f"基于以下信息回答问题：\n{combined_content}"),
    HumanMessage(content="什么是 LangGraph？")
]
response = chat.invoke(messages)

📊 成本优化

Token 使用统计

python

response = chat.invoke("Hello world")

# 查看 token 使用情况
metadata = response.response_metadata['token_usage']
print(f"输入 tokens: {metadata['prompt_tokens']}")
print(f"输出 tokens: {metadata['completion_tokens']}")
print(f"总计 tokens: {metadata['total_tokens']}")

输出示例：

输入 tokens: 9
输出 tokens: 9
总计 tokens: 18

成本估算

模型	输入价格（$/1M tokens）	输出价格（$/1M tokens）
GPT-4o	$5.00	$15.00
GPT-3.5	$0.50	$1.50

计算示例：

python

# GPT-4o 处理 1000 tokens 输入 + 1000 tokens 输出
cost = (1000/1000000 * 5) + (1000/1000000 * 15)
# = $0.005 + $0.015 = $0.02（2 分钱）

🎯 实际应用案例

案例 1：简单问答机器人

python

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage

# 初始化模型
chat = ChatOpenAI(model="gpt-5-nano", temperature=0.7)

# 对话历史
history = []

def chat_bot(user_input):
    # 添加用户消息
    history.append(HumanMessage(content=user_input))

    # 调用模型
    response = chat.invoke(history)

    # 添加 AI 回复到历史
    history.append(response)

    return response.content

# 使用
print(chat_bot("你好"))
print(chat_bot("我刚才说了什么？"))  # 能记住上下文

案例 2：搜索增强问答（简单 RAG）

python

from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_openai import ChatOpenAI

chat = ChatOpenAI(model="gpt-5-nano", temperature=0)
search = TavilySearchResults(max_results=3)

def search_qa(question):
    # 1. 搜索相关信息
    search_results = search.invoke(question)
    context = "\n\n".join([doc['content'] for doc in search_results])

    # 2. 结合搜索结果生成答案
    prompt = f"""基于以下信息回答问题：

信息：
{context}

问题：{question}

答案："""

    response = chat.invoke(prompt)
    return response.content

# 使用
answer = search_qa("LangGraph 的主要优势是什么？")
print(answer)

案例 3：多模型对比

python

models = {
    "GPT-4o": ChatOpenAI(model="gpt-5-nano", temperature=0),
    "GPT-3.5": ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
}

question = "解释量子计算"

for name, model in models.items():
    response = model.invoke(question)
    print(f"\n{name} 的回答：")
    print(response.content)
    print(f"Token 使用：{response.response_metadata['token_usage']}")

🔍 常见问题

Q1: 为什么要使用消息对象而不是字符串？

字符串方式：

python

chat.invoke("Hello")  # 简单，但丢失上下文

消息对象方式：

python

messages = [
    SystemMessage(content="你是助手"),
    HumanMessage(content="Hello")
]
chat.invoke(messages)  # 保留角色、历史

优势：

🔄 支持多轮对话
🎭 区分系统/用户/AI 角色
📊 更好的调试和日志

Q2: temperature=0 真的完全确定吗？

不完全确定！

python

chat = ChatOpenAI(temperature=0)

# 相同输入，99% 情况输出相同
response1 = chat.invoke("1+1=?")  # → "2"
response2 = chat.invoke("1+1=?")  # → "2"

# 但模型更新或其他因素可能导致微小差异

何时使用 temperature=0？

✅ 需要一致性的任务（测试、评估）
✅ 事实性回答
❌ 不适合创意任务

Q3: 如何选择 max_results？

python

# 搜索结果数量权衡
search = TavilySearchResults(max_results=N)

max_results	优势	劣势
1-3	快速、聚焦	可能遗漏信息
5-10	全面	成本高、噪音多
10+	最全面	超过 LLM 上下文限制

推荐：

简单问题：3
复杂研究：5-10
对比分析：3-5

📖 扩展阅读

🎉 下一步

恭喜你完成了 LangChain Academy 基础模块！你已经掌握了：

✅ LangChain 和 LangGraph 的核心概念 ✅ Chat Models 的初始化和调用 ✅ 消息系统的使用 ✅ 搜索工具的集成 ✅ API 密钥安全管理

接下来学习：

Module 1：LangGraph 核心概念（State、Graph、Node、Edge）
Module 2：构建你的第一个 Agent
Module 4：高级模式（Map-Reduce、Sub-graphs）

实践建议：

🔨 动手修改代码，尝试不同参数
🧪 测试不同模型的效果
📝 记录遇到的问题和解决方法
💬 加入社区讨论

总结：本模块是 LangGraph 学习之旅的起点。通过掌握 Chat Models 和工具集成，你已经具备了构建 AI 应用的基础能力。记住：LangChain 提供组件，LangGraph 提供编排，两者结合才能构建强大的 Agent 系统！

LangGraph 基础入门 ​

概述 ​

📚 术语表 ​

核心概念 ​

什么是 LangChain？ ​

什么是 LangGraph？ ​

为什么需要 LangGraph？ ​

LangGraph 的核心逻辑（重要！） ​

课程结构 ​

环境配置详解 ​

1. 安装依赖（不同的操作系统、不同的 Python 环境配置可能会出现各种问题，需要一定的耐心处理） ​

2. 配置 API 密钥 ​

🤖 Chat Models 详解 ​

什么是 Chat Model？ ​

核心特性 ​

LangChain 的 Chat Model 集成 ​

💻 Chat Model 实战 ​

1. 初始化 Chat Model ​

model（模型名称） ​

temperature（温度参数） ​

2. 调用 Chat Model ​

方法 1：使用消息对象 ​

方法 2：使用字符串（简化写法） ​

3. 切换模型 ​

🔍 搜索工具集成：Tavily ​

什么是 Tavily？ ​

配置 Tavily API ​

使用 Tavily 搜索 ​

🎓 核心知识点总结 ​

LangChain 核心概念 ​

1. Runnable 接口 ​

2. Messages（消息系统） ​

3. 模型初始化最佳实践 ​

Python 核心知识点 ​

1. 环境变量管理 ​

2. getpass 模块（安全输入） ​

3. 列表推导式 ​

💡 最佳实践 ​

1. API 密钥安全 ​

✅ 正确做法 ​

❌ 错误做法 ​

2. 模型选择策略 ​

3. Temperature 设置指南 ​

4. 错误处理 ​

🚀 进阶技巧 ​

1. 使用 SystemMessage 设定角色 ​

2. 流式输出优化用户体验 ​

3. 搜索结果后处理 ​

📊 成本优化 ​

Token 使用统计 ​

成本估算 ​

🎯 实际应用案例 ​

案例 1：简单问答机器人 ​

案例 2：搜索增强问答（简单 RAG） ​

案例 3：多模型对比 ​

🔍 常见问题 ​

Q1: 为什么要使用消息对象而不是字符串？ ​

Q2: temperature=0 真的完全确定吗？ ​

Q3: 如何选择 max_results？ ​

📖 扩展阅读 ​

🎉 下一步 ​

LangGraph 基础入门

概述

📚 术语表

核心概念

什么是 LangChain？

什么是 LangGraph？

为什么需要 LangGraph？

LangGraph 的核心逻辑（重要！）

课程结构

环境配置详解

1. 安装依赖（不同的操作系统、不同的 Python 环境配置可能会出现各种问题，需要一定的耐心处理）

2. 配置 API 密钥

🤖 Chat Models 详解

什么是 Chat Model？

核心特性

LangChain 的 Chat Model 集成

💻 Chat Model 实战

1. 初始化 Chat Model

`model`（模型名称）

`temperature`（温度参数）

2. 调用 Chat Model

方法 1：使用消息对象

方法 2：使用字符串（简化写法）

3. 切换模型

🔍 搜索工具集成：Tavily

什么是 Tavily？

配置 Tavily API

使用 Tavily 搜索

🎓 核心知识点总结

LangChain 核心概念

1. Runnable 接口

2. Messages（消息系统）

3. 模型初始化最佳实践

Python 核心知识点

1. 环境变量管理

2. getpass 模块（安全输入）

3. 列表推导式

💡 最佳实践

1. API 密钥安全

✅ 正确做法

❌ 错误做法

2. 模型选择策略

3. Temperature 设置指南

4. 错误处理

🚀 进阶技巧

1. 使用 SystemMessage 设定角色

2. 流式输出优化用户体验

3. 搜索结果后处理

📊 成本优化

Token 使用统计

成本估算

🎯 实际应用案例

案例 1：简单问答机器人

案例 2：搜索增强问答（简单 RAG）

案例 3：多模型对比

🔍 常见问题

Q1: 为什么要使用消息对象而不是字符串？

Q2: temperature=0 真的完全确定吗？

Q3: 如何选择 max_results？

📖 扩展阅读

🎉 下一步