Langchain Agent Demo

🤖 LangChain & LangGraph - 完整的AI代理演示

完整文档 - 您开始学习并掌握LangChain所需的一切

📚 本项目是对LangChain和LangGraph的全面教学演示，涵盖了从基础概念到高级多智能体系统的知识，并集成了MCP（可能是指某种机器学习或计算平台）以及使用LangSmith进行监控。

______________________________________________________________________

📑 目录

1. 引言
2. 完整安装
3. 配置
4. 快速入门
5. 项目结构
6. 详细示例
7. 建筑
8. MCP集成
9. 使用LangSmith进行监控
10. 学习路径
11. 生产
12. 故障排除

______________________________________________________________________

🎯 介绍

这个项目是什么？

这个演示是一个 完整的教育指南 使用LangChain和LangGraph构建AI应用。它包含 60多个实操示例 覆盖：

• ✅ 基础原理/基本要素链条、提示、大型语言模型（LLM）交互模式
• ✅ 智能代理工具，ReAct模式
• ✅ 对话记忆背景与历史
• ✅（对号，表示正确、确认或完成） 状态机使用LangGraph处理复杂工作流
• ✅ 多智能体系统协调与合作
• ✅ RAG（检索增强生成）语义搜索与文档问答
• ✅ MCP（根据上下文，MCP可能代表多个含义，如“最小化成本生产”、“多协议转换器”等，具体翻译需结合语境）实际生产服务器（Fetch 和 Canva）
• ✅ 翻译为中文是：“正确”或“对”。 监测使用LangSmith进行可观测性和调试

为什么要使用这个项目？

• 📖（书） 教育学的；教学的每个示例都有文档记录和详细解释
• 🎯（目标/靶心） 渐进式的；进步的从初学者到专家
• 💻（电脑） 实用的可运行代码
• 🏭 表示“工厂”或“工业建筑”。 生产最佳实践包括
• 🎨 表示“美术”或“艺术创作”的相关符号。 互动的漂亮的命令行界面

______________________________________________________________________

🚀 完整安装

先决条件

在开始之前，请确保你已具备：

• Python 3.10或更高版本 （下载Python)
• 一个OpenAI API密钥 （拿到钥匙）
• Git（版本控制系统） （可选，用于克隆项目）

步骤1：准备环境

选项A：自动化设置（推荐）

# 1. Navigate into the project folder
cd langchain-agent-demo

# 2. Run the setup script
python setup.py

该脚本将：

• ✅ 验证您的Python版本
• ✅ 创建 .env 文件
• ✅ 创建所需的目录
• ✅ 提供安装依赖项的服务

选项B：手动设置

# 1. Navigate into the project folder
cd langchain-agent-demo

# 2. Create a virtual environment (recommended)
python -m venv venv

# 3. Activate the virtual environment
# macOS/Linux:
source venv/bin/activate
# Windows:
venv\Scripts\activate

# 4. Install dependencies
pip install -r requirements.txt

# 5. Create the configuration file
cp .env.example .env

步骤2：验证安装

# Verify installation
python -c "import langchain; import langgraph; print('✅ Installation successful!')"

如果你看到“✅ 安装成功！”那就表示一切就绪，可以开始了！

______________________________________________________________________

⚙️ 配置

基本配置（必需）

1. 设置您的OpenAI API密钥

打开 .env 文件并添加您的API密钥：

# .env
OPENAI_API_KEY=sk-your-api-key-here

如何获取OpenAI API密钥：

1. 访问 https://platform.openai.com/
2. 创建账户或登录
3. 前往“API密钥”
4. 点击“创建新的密钥”
5. 复制密钥并粘贴到 .env

2. 选择模型（可选）

默认情况下，该项目使用 gpt-4o-mini你可以改变它：

# .env
DEFAULT_MODEL=gpt-4o-mini  # Cost-effective
# Or use:
# DEFAULT_MODEL=gpt-4o      # More powerful, higher cost

高级配置（可选）

1. LangSmith（监控）

如果您想启用监控和追踪功能：

# .env
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=your-langsmith-key
LANGCHAIN_PROJECT=langchain-agent-demo

如何获取LangSmith：

1. 访问 https://smith.langchain.com/
2. 创建一个免费账户
3. 创建一个项目
4. 复制您的API密钥

2. 其他大型语言模型（LLM）提供商（可选）

# .env
ANTHROPIC_API_KEY=your-anthropic-key
COHERE_API_KEY=your-cohere-key

验证配置

# Test that configuration is valid
python -c "from config.settings import validate_api_keys; validate_api_keys()"

______________________________________________________________________

🎮 快速入门

方法1：交互式界面（推荐）

交互界面是 最容易的 探索所有示例的方法：

python main.py

你会看到一个简洁的菜单：

🤖 LangChain & LangGraph Educational Demo

📚 Example Categories
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
No.  Category                Description
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
1    Basic Chains           Learn fundamental concepts
2    Prompt Engineering     Master prompt templates
3    LLM Interactions       Explore LLM patterns
...

导航：

• 输入 数字；号码 你想要尝试的那个例子
• 类型 帮助 作为快速指南
• 类型 关于 如需更多信息
• 类型 0 退出

方法2：运行所有示例

按顺序运行所有示例：

python run_all_examples.py

⚠️（警告或注意的符号） 注这可能会花费一些时间并消耗API积分！

方法3：运行一个具体示例

直接运行特定模块：

# Example: Basic chains
python -m src.01_basics.chains

# Example: Simple agent
python -m src.02_agents.simple_agent

# Example: LangGraph
python -m src.04_langgraph.simple_graph

# Example: Multi-agent system
python -m src.05_multi_agent.research_team

# Example: RAG (document Q&A)
python -m src.06_rag.qa_system

# Example: MCP Integration
python -m src.07_mcp.mcp_integration

# Example: LangSmith Monitoring
python -m src.08_monitoring.langsmith_monitoring

快速测试

快速验证一切是否正常工作：

# Simple test
python -c "from langchain_openai import ChatOpenAI; from config.settings import settings; llm = ChatOpenAI(model=settings.default_model); print(llm.invoke('Hello!').content)"

如果你看到回复，那就万事大吉了！ 🎉

______________________________________________________________________

📁 项目结构

概述

langchain-agent-demo/
│
├── 📄 README.md                    # This file - Complete documentation
├── 📦 requirements.txt             # Python dependencies
├── ⚙️  .env.example                # Configuration template
├── 🚀 main.py                      # Interactive interface (ENTRY POINT)
├── 🏃 run_all_examples.py          # Run all examples
├── 🔧 setup.py                     # Setup script
│
├── 📂 config/                      # Configuration
│   ├── __init__.py
│   └── settings.py                 # Environment variables management
│
├── 📂 src/                         # Source code (8 modules)
│   ├── __init__.py
│   │
│   ├── 01_basics/                  # MODULE 1: Fundamentals
│   │   ├── chains.py               # Basic chains (7 examples)
│   │   ├── prompts.py              # Prompt engineering (5 examples)
│   │   └── llm_examples.py         # LLM interactions (7 examples)
│   │
│   ├── 02_agents/                  # MODULE 2: Agents
│   │   ├── custom_tools.py         # Custom tools
│   │   ├── simple_agent.py         # Basic agents (4 examples)
│   │   └── react_agent.py          # ReAct pattern (4 examples)
│   │
│   ├── 03_memory/                  # MODULE 3: Memory
│   │   └── conversation_memory.py  # Conversation memory (6 examples)
│   │
│   ├── 04_langgraph/               # MODULE 4: State Machines
│   │   ├── simple_graph.py         # Simple graphs (5 examples)
│   │   └── conditional_graph.py    # Conditional routing (4 examples)
│   │
│   ├── 05_multi_agent/             # MODULE 5: Multi-Agents
│   │   └── research_team.py        # Team workflows (4 examples)
│   │
│   ├── 06_rag/                     # MODULE 6: RAG
│   │   └── qa_system.py            # Q&A system (5 examples)
│   │
│   ├── 07_mcp/                     # MODULE 7: MCP Integration
│   │   └── mcp_integration.py      # MCP protocol (5 examples)
│   │
│   ├── 08_monitoring/              # MODULE 8: Monitoring
│   │   └── langsmith_monitoring.py # LangSmith (6 examples)
│   │
│   └── utils/                      # Utilities
│       ├── display.py              # Rich terminal UI
│       └── helpers.py              # Common helpers
│
└── 📂 examples/                    # Sample data
    └── sample_documents/
        └── sample.txt              # Example doc for RAG

模块拆解

______________________________________________________________________

|

📖 详细示例

模块1：基础（01_基础知识/）

📝 chains.py - 基本链（或“基本链条”）

• 你将学到：
• 如何构建一个简单的链表
• LCEL（LangChain 表达式语言）语法
• 顺序链组合
• 结构化输出解析（JSON）

处理多个输入

1. 包含的示例：简单链 prompt | llm | output_parser

   prompt = ChatPromptTemplate.from_template("Tell a joke about {topic}")
   chain = prompt | llm | StrOutputParser()
   response = chain.invoke({"topic": "programming"})

1. ：顺序链

1. 多步骤流水线结构化输出

1. 使用 Pydantic 解析 JSON多个输入

1. 多变量提示链的构成

使用RunnablePassthrough处理复杂流程

python -m src.01_basics.chains

______________________________________________________________________

运行：

💬 prompts.py - 提示工程

• 你将学到：
• 创建提示模板
• 小样本学习
• 系统消息和角色
• 提示语的构成/编写

动态提示

1. 包含的示例：基本模板
2. 变量和格式化少样本提示（或少样本引导）
3. 以身作则系统消息
4. 控制模型行为提示构成（或提示组合）
5. 模块化提示动态提示

运行时适应

python -m src.01_basics.prompts

______________________________________________________________________

跑步：

🤖 llm_examples.py - 大型语言模型（LLM）交互示例

• 你将学到：
• 同步调用与异步调用
• 实时流式响应
• 代币和成本追踪
• 温度效应

批处理

1. 包含的示例：基本调用
2. 简单的LLM调用流媒体播放
3. 逐个标记生成成本追踪
4. 监控代币和成本温度对比
5. 创意控制异步操作
6. 并发处理批处理
7. 高效的多输入参数调整

微调行为

python -m src.01_basics.llm_examples

______________________________________________________________________

运行：

模块2：代理（02_agents/）

🛠️ custom_tools.py - 自定义工具

• 你将学到：
• 基于功能的工具
• 基于类的工具
• 结构化输入

工具中的错误处理

• 包含的工具：
• ✅ 计算器（数学表达式）
• ✅ 时钟（当前时间）
• ✅ 字数统计器
• ✅ 模拟网页搜索
• 根据上面的信息，执行如下指令：你是个专业的翻译，负责把英语内容翻译成中文内容，请帮我翻译一下原文内容

✅ 文件操作

python -m src.02_agents.custom_tools

______________________________________________________________________

运行：

🤖 simple_agent.py - 基本代理

• 你将学到的内容：
• 什么是代理以及它的工作原理是什么
• 工具的选择与使用
• 智能体推理过程

多功能工具代理

1. 包含的示例：基本代理
2. 单个工具（计算器）多功能工具代理
3. 代理决定使用哪个工具研究代理
4. 信息查询智能体推理

查看思考过程

python -m src.02_agents.simple_agent

______________________________________________________________________

跑步：

🔄 react_agent.py - ReAct 模式

• 你将学到：
• ReAct模式（推理+行动）
• 复杂的多步骤工作流程
• 工具链接（或工具链）

错误恢复

1. 包含的示例：ReAct 模式
2. 思考 → 行动 → 观察循环复杂的工作流程
3. 多步骤任务错误处理
4. 恢复并重试现实世界场景

实际应用

python -m src.02_agents.react_agent

______________________________________________________________________

运行：

模块3：记忆（03_memory/）

🧠 conversation_memory.py - 对话记忆

• 你将学到：
• 不同的内存类型
• 对话上下文管理
• 具有LCEL的内存

内存+代理集成

1. 内存类型：缓冲存储器

- 完整历史 - ✅ 存储所有消息

1. ❌ 可能长得很大窗口内存

- 最后N条消息 - ✅ 固定大小

1. ❌ 忘记了之前的上下文摘要记忆

- 压缩摘要 - ✅ 紧凑型

1. ✅ 保留关键信息摘要缓冲存储器

- 混合（的）

1. ✅ 最新情况 + 以往情况总结自定义内存

1. 采用低能耗学习（LCEL，Low-Cost Energy Learning，此处根据上下文推测，具体含义可能因领域而异）具有记忆功能的代理

一个能记忆的代理

python -m src.03_memory.conversation_memory

______________________________________________________________________

运行：

模块4：LangGraph（04_langgraph/）

📊 simple_graph.py - 简单图表

• 你将学到的内容：
• 什么是状态图
• 节点和边
• 管理节点之间的状态

由大型语言模型（LLM）驱动的节点

1. 包含的示例：线性图
2. 开始 → A → B → C → 结束LLM 节点
3. 内容生成管道“State Accumulation”可以翻译为“国家积累”或“国家蓄积”，具体取决于上下文和语境。在经济学或社会学领域，这个术语可能指的是一个国家在资源、财富、技术或知识等方面的长期积累和增长
4. 在节点间建立状态流式执行
5. 实时查看每一步图形可视化

理解结构

START
  ↓
Node A (Process input)
  ↓
Node B (Transform)
  ↓
Node C (Finalize)
  ↓
END

图表：

python -m src.04_langgraph.simple_graph

______________________________________________________________________

运行：

🔀 conditional_graph.py - 条件路由

• 你将学到：
• 条件边
• 基于状态的动态路由
• 循环工作流（循环）

结合并行+条件（处理/分析）

1. 包含的示例：简单条件句
2. 偶数/奇数路由多路径路由
3. 情感分析 → 3条路径循环工作流程
4. 迭代改进并行 + 条件

复杂的工作流程

        START
          ↓
    ┌─────────┐
    │Decision │
    └─────────┘
          ↓
    ┌─────┴─────┐
    ↓           ↓
  Path A      Path B
    ↓           ↓
    └─────┬─────┘
          ↓
         END

图表：

python -m src.04_langgraph.conditional_graph

______________________________________________________________________

运行：

模块5：多智能体（05_multi_agent/）

👥 research_team.py - 研究团队

• 你将学到：
• 协调专业人员
• 监督者模式
• 协作工作流程

并行代理执行

1. 包含的示例：专业代理
2. 研究员 → 分析师 → 作家监督者模式（或 监控者模式）
3. 一名主管负责协调代理人员协作代理（或协作智能体）
4. 反馈与修订并行代理

多个代理同时工作

         Supervisor
              ↓
    ┌─────────┼─────────┐
    ↓         ↓         ↓
Researcher  Analyst   Writer
    ↓         ↓         ↓
    └─────────┴─────────┘
              ↓
        Final Result

多智能体架构：

python -m src.05_multi_agent.research_team

______________________________________________________________________

运行：

模块6：RAG（06_rag/）

📄 qa_system.py - 问答系统

• 你将学到：
• 加载文档并分块处理
• 向量嵌入
• 语义搜索

构建一个完整的RAG（检索增强生成）流水线

1. 包含的示例：基本RAG（检索增强生成）
2. 端到端的流水线自定义RAG链
3. 采用LCEL（低电耗激光技术/低能耗激光技术，具体含义根据上下文确定）带有来源的RAG（检索增强生成）
4. 来源引用语义搜索
5. 相似性探索高级RAG（检索增强生成）

最大边缘相关性（MMR）

Question
    ↓
Embeddings
    ↓
Vector Search
    ↓
Relevant Documents
    ↓
Context + Prompt
    ↓
LLM
    ↓
Answer with Context

RAG架构：

python -m src.06_rag.qa_system

______________________________________________________________________

运行：

模块7：MCP（07_mcp/）

🔌 mcp_integration.py - 实际MCP服务器集成

什么是MCP？ 这个（或“它”） 模型上下文协议（MCP）

这是一个开放标准，使大型语言模型（LLMs）能够安全地连接到数据源和工具。

1. 集成真实服务器：

- 🌐 获取MCP服务器 - 检索和处理网页内容 - 将HTML转换为Markdown 仓库：

1. 模型上下文协议/服务器/获取

- 🎨 Canva 开发者 MCP 服务器 - AI赋能的Canva开发辅助 - Canva应用开发指南 文档：

canva.dev/mcp-server（该网址可直接翻译为“Canva.dev 的 MCP 服务器”，但通常网址无需翻译，直接使用原样即可，这里提供的是其含义的中文表述）

• 关键概念：资源
• 只读数据访问工具
• 通过 JSON-RPC 执行操作服务器
• 实际生产的MCP服务器协议

基于Stdio的通信

• 你将学到：
• 连接到真实的MCP服务器
• 使用Fetch服务器处理网页内容
• 集成Canva开发工具
• 多服务器协调

生产最佳实践

1. 包含的示例：MCP基础
2. 连接到真实服务器（Fetch 和 Canva）代理中的获取工具
3. 网页抓取功能多个MCP服务器
4. 结合Fetch + Canva最佳实践
5. 安全与生产模式现实世界场景

具有网络访问权限的研究助理

LangChain Agent
      ↓
MCP Tools
      ↓
MCP Protocol (JSON-RPC)
      ↓
  ┌───┴────┐
  ↓        ↓
Fetch    Canva
Server   Server
  ↓        ↓
Web      Canva
Content   API

MCP（多控制器协议）架构：

# Fetch server
pip install mcp-server-fetch

# Canva server (requires Node.js and npm)
node --version  # v20+
npm --version

先决条件：

python -m src.07_mcp.mcp_integration

运行： 📖（书本）完整设置指南 见

______________________________________________________________________

MCP_SERVERS_SETUP.md 翻译为中文是：“MCP服务器设置.md”

模块8：监测（08_monitoring/）

📈 langsmith_monitoring.py - LangSmith 监控

什么是LangSmith？ LangSmith

• 是LangChain的可观测性平台，用于：
• 🔍 追踪所有大型语言模型（LLM）调用
• 📊 分析性能
• 💰 跟踪成本
• 🐛 调试问题

📈 提高质量

• 你将学到：
• 追踪设置
• 自定义回调函数
• 成本和代币追踪
• 调试失败

性能指标

1. 包含的示例：启用追踪
2. LangSmith 设置监控代理执行
3. 追踪完整执行过程追踪成本
4. 实时标记和成本调试失败
5. 捕获并分析性能指标
6. 延迟，吞吐量生产监控

完整检查清单

📊 Real-time metrics
💰 Cost analytics
🐛 Debug traces
⚠️  Alerts
📈 Historical trends

LangSmith 控制台：

python -m src.08_monitoring.langsmith_monitoring

______________________________________________________________________

运行：

🏗️ 建筑学

┌─────────────────────────────────────────────┐
│               INTERFACE LAYER               │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
│  │   CLI    │  │Interactive│  │  Batch   │  │
│  │ main.py  │  │  Prompts  │  │ Runner   │  │
│  └──────────┘  └──────────┘  └──────────┘  │
└─────────────────┬───────────────────────────┘
                  │
┌─────────────────┴───────────────────────────┐
│             APPLICATION LAYER               │
│  ┌─────┐ ┌─────┐ ┌──────┐ ┌─────────────┐  │
│  │01-03│ │04-05│ │  06  │ │   07-08     │  │
│  │Basic│ │Graph│ │ RAG  │ │ MCP/Monitor │  │
│  └─────┘ └─────┘ └──────┘ └─────────────┘  │
└─────────────────┬───────────────────────────┘
                  │
┌─────────────────┴───────────────────────────┐
│              UTILITIES LAYER                │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
│  │ Display  │  │ Helpers  │  │  Config  │  │
│  │  (Rich)  │  │ (Common) │  │(Settings)│  │
│  └──────────┘  └──────────┘  └──────────┘  │
└─────────────────┬───────────────────────────┘
                  │
┌─────────────────┴───────────────────────────┐
│              LANGCHAIN LAYER                │
│  ┌──────┐ ┌──────┐ ┌───────┐ ┌──────────┐  │
│  │Chains│ │Agents│ │Memory │ │  Graphs  │  │
│  └──────┘ └──────┘ └───────┘ └──────────┘  │
└─────────────────┬───────────────────────────┘
                  │
┌─────────────────┴───────────────────────────┐
│              EXTERNAL SERVICES              │
│  ┌────────┐ ┌──────┐ ┌──────────┐ ┌──────┐ │
│  │ OpenAI │ │FAISS │ │LangSmith │ │ MCP  │ │
│  └────────┘ └──────┘ └──────────┘ └──────┘ │
└─────────────────────────────────────────────┘

全球架构

User Input
        ↓
  Prompt Template
        ↓
   Format with Variables
        ↓
       LLM (OpenAI)
        ↓
    Output Parser
        ↓
       Result

简单链式流动

User Question
        ↓
   ┌────────────┐
   │   Agent    │
   │ (Thinking) │
   └─────┬──────┘
         │
    ┌────┴────┐
    │Decision │
    └────┬────┘
         │
    ┌────┴────────┐
    │             │
   TOOL        ANSWER
    │             │
┌───┴───┐         │
│Execute│         │
└───┬───┘         │
    │             │
┌───┴────┐        │
│Observe │        │
└───┬────┘        │
    │             │
    └──► LOOP ◄───┘

代理流

     START
       ↓
   Node A (Initial State)
       ↓
     Condition?
       ↓
   ┌───┴───┐
   │       │
 Node B  Node C
   │       │
   └───┬───┘
       ↓
   Node D (Merge)
       ↓
      END

LangGraph 流程（或“LangGraph 流”）

Question
    ↓
Question Embedding
    ↓
Vector Database Search
    ↓
Top-K Similar Documents
    ↓
Context Formatting
    ↓
Prompt = Context + Question
    ↓
LLM Generates Answer
    ↓
Answer with Sources

______________________________________________________________________

RAG 流程

🔌 MCP（多功能控制器/平台）集成

什么是MCP？ 这个（或：该） 模型上下文协议

• 是一种标准协议，允许大型语言模型（LLMs）访问： 📁 代表文件夹的图标或符号，中文可直接表述为“文件夹”。在需要具体描述或解释时，可以翻译为“文件夹（📁）”或“一个文件夹图标”。在日常交流中，通常直接使用“文件夹”一词即可。
• 文件系统 💾 代表“软盘”或“存储设备”的符号。
• 数据库 🌐 代表“互联网”或“全球网络”的符号。
• 外部API 🔧 修理工具或螺丝刀的符号，常用于表示需要修理或调整的物品或情境。

定制服务

┌────────────────────────────────────┐
│           LangChain Agent          │
│   • Reasoning logic                │
│   • Tool selection                 │
└─────────────┬──────────────────────┘
              │
┌─────────────┴──────────────────────┐
│          MCP Tools Layer           │
│  ┌──────┐  ┌──────┐  ┌──────────┐ │
│  │ Read │  │Query │  │  List    │ │
│  └──────┘  └──────┘  └──────────┘ │
└─────────────┬──────────────────────┘
              │
┌─────────────┴──────────────────────┐
│          MCP Protocol              │
│  • JSON-RPC messages               │
│  • Resource URIs                   │
└─────────────┬──────────────────────┘
              │
┌─────────────┴──────────────────────┐
│          MCP Servers               │
│  ┌────────┐ ┌────────┐ ┌────────┐ │
│  │ Files  │ │Database│ │  APIs  │ │
│  └────────┘ └────────┘ └────────┘ │
└────────────────────────────────────┘

MCP建筑事务所（或译为：MCP建筑设计公司）

# 1. Connect to the MCP server
mcp_server = SimulatedMCPServer("filesystem")

# 2. Create a LangChain tool
def read_file(path: str) -> str:
    return mcp_server.call_tool("read_file", {"path": path})

tool = Tool(
    name="read_file",
    func=read_file,
    description="Read a file via MCP"
)

# 3. Use in an agent
agent = create_agent_with_tools([tool])

基本用法

关键概念

• 资源
• 只读访问 file://标准URI（统一资源标识符）： db://， api://
• ，

包含元数据

• 工具
• 改变状态或进行计算的操作
• 结构化论点

打字结果

• 服务器
• 一台服务器 = 多种资源/工具
• JSON-RPC通信

______________________________________________________________________

隔离与安全

📈 使用LangSmith进行监控

LangSmith 设置

1. 获取API密钥
2. 访问 https://smith.langchain.com/
3. 创建一个（免费）账户
4. 创建一个项目

复制您的API密钥

# .env
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsv2_pt_your_key_here
LANGCHAIN_PROJECT=my-project

2. 配置

import os
print("Tracing enabled:", os.getenv("LANGCHAIN_TRACING_V2"))

3. 验证

特点/特性

• 1\. 自动追踪
• 所有大型语言模型（LLM）调用都被追踪
• 所有代理执行

所有工具的使用

• 2\. 仪表盘
• 实时指标
• 轨迹可视化

成本分析

• 3\. 调试
• 重播请求
• 检查提示

分析错误

• 4\. 优化
• 找出瓶颈
• 降低成本

优化提示（或指令）

# Tracing is automatic once configured
llm = ChatOpenAI()
response = llm.invoke("Hello")
# ✅ Automatically traced in LangSmith!

# For custom cost tracking
from langchain.callbacks import get_openai_callback

with get_openai_callback() as cb:
    response = chain.invoke(input)
    print(f"Tokens: {cb.total_tokens}")
    print(f"Cost: ${cb.total_cost:.4f}")

______________________________________________________________________

使用方法

🎓 学习路径

适合初学者（6–8小时）

1️⃣ chains.py         (1h)  → Understand chains
2️⃣ prompts.py        (1h)  → Master prompts
3️⃣ llm_examples.py   (1h)  → LLM interactions

第一天：基础概念

4️⃣ simple_agent.py   (1h)  → First agent
5️⃣ conversation_memory.py (1h) → Add memory
6️⃣ simple_graph.py   (2h)  → State machines

第二天：代理与国家 目标：

______________________________________________________________________

理解基础知识并构建一个简单的代理

对于中间产品（4–6小时）

7️⃣ react_agent.py         (1.5h) → Advanced reasoning
8️⃣ conditional_graph.py   (1.5h) → Complex workflows
9️⃣ qa_system.py           (2h)   → RAG system

第一会话：高级概念

🔟 research_team.py       (2h)   → Multi-agents

第二场会议：复杂系统 目标：

______________________________________________________________________

掌握高级模式

针对高级用户（3–4小时）

1️⃣1️⃣ mcp_integration.py       (1.5h) → MCP integration
1️⃣2️⃣ langsmith_monitoring.py  (1.5h) → Monitoring

生产与集成 个人项目

• (2小时)
• 构建你自己的系统
• 整合您的数据

部署到生产环境 目标：

______________________________________________________________________

创建可投入生产的系统

学习技巧 ✅

• 做
• 从基础开始（简单链表）
• 运行每个示例
• 阅读代码注释
• 修改示例以进行实验

使用你自己的数据进行测试 ❌（这个符号在中文中没有直接对应的翻译，它通常表示“错误”或“取消”等意思，具体含义需根据上下文判断。）

• 不要
• 跳过基础部分
• 不理解地复制粘贴
• 忽略冗长的输出
• 忽视错误处理

______________________________________________________________________

忘掉成本监控

🏭 生产

生产检查清单

• 安全
• \[ \] 安全存储API密钥（切勿在代码中存储！）
• \[ \] 验证用户输入
• \[ \] PII（个人身份信息）过滤
• \[ \] 配置MCP权限

\[ \] 启用审计日志

• 演出
• \[ \] 使用异步进行并发操作
• \[ \] 缓存频繁请求
• \[ \] 数据库连接池
• \[ \] 限速

\[ \] 设置适当的超时时间

• 可观测性
• \[ \] LangSmith 跟踪已启用
• \[ \] 收集到的指标
• \[ \] 已配置警报
• \[ \] 已构建仪表板

\[ \] 集中日志

• 成本
• \[ \] 预算已定义
• \[ \] 成本提醒
• \[ \] 提示优化
• \[ \] 使用适当的模型

\[ \] 已启用缓存

• 可靠性
• \[ \] 实现了重试逻辑
• \[ \] 配置了断路器
• \[ \] 已实施健康检查
• \[ \] 备用机制

\[ \] 已执行负载测试

# config/production.py

import os
from pathlib import Path

class ProductionConfig:
    # API
    OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
    DEFAULT_MODEL = "gpt-4o-mini"  # More cost-effective
    
    # Limits
    MAX_TOKENS = 2000
    TIMEOUT = 30
    MAX_RETRIES = 3
    
    # Monitoring
    LANGSMITH_ENABLED = True
    LANGSMITH_SAMPLING = 1.0  # 100% in prod
    
    # Cache
    CACHE_ENABLED = True
    CACHE_TTL = 3600
    
    # Rate Limiting
    RATE_LIMIT = "100/minute"
    
    # Alerts
    ERROR_THRESHOLD = 0.05  # 5%
    COST_ALERT_THRESHOLD = 10.0  # $10/hour

生产配置

生产模式

from tenacity import retry, stop_after_attempt, wait_exponential

@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def call_llm_with_retry(prompt):
    return llm.invoke(prompt)

1. 带退避重试

class CircuitBreaker:
    def __init__(self, failure_threshold=5):
        self.failure_count = 0
        self.threshold = failure_threshold
        self.is_open = False
    
    def call(self, func):
        if self.is_open:
            raise Exception("Circuit breaker is open")
        
        try:
            result = func()
            self.failure_count = 0
            return result
        except Exception as e:
            self.failure_count += 1
            if self.failure_count >= self.threshold:
                self.is_open = True
            raise e

2. 保险丝（或断路器）

from langsmith import Client
import time

class ProductionMonitoring:
    def __init__(self):
        self.client = Client()
        
    def execute_with_monitoring(self, agent, input):
        start = time.time()
        
        try:
            # Execute
            result = agent.invoke(input)
            
            # Log success
            self.log_success(
                duration=time.time() - start,
                tokens=result.get('tokens', 0)
            )
            
            return result
            
        except Exception as e:
            # Log error
            self.log_error(
                error=str(e),
                duration=time.time() - start
            )
            raise

______________________________________________________________________

3. 全面监控

🔧 故障排除

常见问题

❌ “ModuleNotFoundError: 没有名为 'langchain' 的模块” 原因：

未安装的依赖项

pip install -r requirements.txt

______________________________________________________________________

解决方案：

OPENAI_API_KEY 未设置 原因：

API密钥未配置

1. 解决方案： .env 创建
2. 文件 OPENAI_API_KEY=your-key
3. 添加： cat .env

______________________________________________________________________

验证：

❌ “速率限制错误：您已超出当前配额” 原因：

API配额已超出

1. 解决方案：
2. 检查使用情况：https://platform.openai.com/usage
3. 添加积分 gpt-4o-mini 或者使用

______________________________________________________________________

（更便宜）

❌“ImportError: 无法导入名称 'ChatOpenAI'” 原因：

版本不兼容

pip install --upgrade langchain langchain-openai

______________________________________________________________________

解决方案：

❌ 示例程序卡住或运行缓慢 原因：

可能的网络或API问题

• 解决方案：
• 检查你的网络连接
• 尝试使用较短的超时时间

______________________________________________________________________

检查OpenAI状态：https://status.openai.com/

加载文档时出现“UnicodeDecodeError” 原因：

文件编码

# Use UTF-8 encoding
with open(file, 'r', encoding='utf-8') as f:
    content = f.read()

______________________________________________________________________

解决方案：

高级调试

import logging
logging.basicConfig(level=logging.DEBUG)

启用详细日志：

# Turn on verbose in agents
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True  # ✅ See all steps
)

查看API请求：

from langchain_openai import ChatOpenAI

try:
    llm = ChatOpenAI()
    response = llm.invoke("test")
    print("✅ API works!")
except Exception as e:
    print(f"❌ Error: {e}")

______________________________________________________________________

测试API连接性：

📊 指标与性能

预估成本

按模块划分（使用gpt-4o-mini进行近似）：

| 💡（这个符号在中文中通常表示“灵感”或“想法”，但直接翻译时无具体文字对应，故保留原样或根据上下文解释为“灵感”或“想法”等） 提示： gpt-4o-mini 使用

______________________________________________________________________

用于学习（比GPT-4便宜10倍）

🎯 快速总结

# 1. Install
cd langchain-agent-demo
pip install -r requirements.txt

# 2. Configure
cp .env.example .env
# Edit .env and add OPENAI_API_KEY=your-key

# 3. Launch
python main.py

# 4. Pick an example and explore!

5分钟内开始

📦 8 Modules
📝 62 Examples
🎓 3 Levels (Beginner, Intermediate, Advanced)
⏱️  ~3 hours of content
💰 ~$5 API costs (gpt-4o-mini)

代码结构

1. 下一步行动 ✅ 安装
2. 这个项目 ✅ 配置
3. 你的API密钥 ✅ python main.py
4. 跑 ✅ 开始
5. 包含基础选项（选项1） ✅ 进展
6. 到高级概念 ✅ 构建

______________________________________________________________________

你自己的项目！

📞 支持与资源

• 官方文档LangChain
• https://python.langchain.com/ （可翻译为）：https://python.langchain.com/（注：网址本身通常不翻译，保持原样，此处仅说明翻译操作，实际网址内容不变）LangGraph
• https://langchain-ai.github.io/langgraph/（可译为）：https://langchain-ai.github.io/langgraph/（注：该网址本身为英文，直接作为翻译结果，中文环境下通常直接使用原网址）OpenAI API
• https://platform.openai.com/docs 的中文翻译为：https://platform.openai.com/（OpenAI平台）文档LangSmith
• https://docs.smith.langchain.com/ （中文可表述为：“https://docs.smith.langchain.com/（官方文档链接）” 或根据具体语境简化为 “https://docs.smith.langchain.com/（链接）”）MCP（可能指多种概念或缩写，具体含义需根据上下文确定，如“最小代价路径”、“多层感知器”等）

https://modelcontextprotocol.io/（该网址可直接翻译为“模型上下文协议.io”，但通常网址不做具体翻译，保持原样使用）

• 社区LangChain Discord
• https://discord.gg/langchain（中文可表述为：“访问 LangChain 的 Discord 链接”）GitHub

https://github.com/langchain-ai/langchain（中文可表述为：“GitHub上的langchain-ai组织的langchain项目”）

• 在这个项目中
• 所有示例均包含详细注释
• 每个模块都包含内联文档
• 错误信息中包含有用提示 help CLI（命令行界面）包括一个

______________________________________________________________________

选项

🎉 结论 你现在拥有 你所需要的一切

收件人： ✅ 理解LangChain和LangGraph ✅ 构建智能代理 ✅ 创建多智能体系统 ✅ 将数据与RAG（检索增强生成）和MCP（可能是指某种特定的模型或系统，但具体需根据上下文确定，此处直译为“MCP”）集成 ✅ 监控并优化您的应用程序

✅ 部署到生产环境

python main.py

立即开始：

______________________________________________________________________

*学习快乐，编码愉快！ 🚀🤖（火箭和机器人的表情符号，无直接对应中文翻译，可理解为“火箭+机器人”的意象）* *最后更新时间：2025* *版本：2.0*