李多多 后端工程师，曾在阿里云和绿盟科技担任研发工程师职务，我目前是一名独立开发者，同时是LLM应用技术栈的布道师，专注于开源社区项目贡献和介绍。我擅长使用Golang和Python编程语言，曾参与了autogpt（开源社区第一个基于大模型的agent项目）和agenta（开源的提示词管理、评估、测试平台）两个开源项目的代码贡献。我还具备从零到一开发基于大模型的人工智能应用的经验，比如智能阅读助手（https://readergpt.fullstackllm.com）。在早期，我撰写了许多关于LangChain的中文文章（谷歌搜索的首页，收录了我所有的相关文章），并在线维护了一本名为《LLM应用开发实践笔记》的开源书籍（https://aitutor.liduos.com/02-langchain/02-1.html，用户3500，浏览量1万）。https://github.com/morsoli，公众号“LLM应用全栈开发”作者。

适读人群 ：本书适合大模型应用开发初学者阅读。
紧贴前沿：内容基于LangChain 0.3以及DeepSeek-V3-0324模型，涵盖LangGraph库
深入解析LangChain六大组件：模型输入/输出、检索、链、记忆、代理与回调，系统掌握核心能力
实战大案例：从0到1构建多模态智能机器人，理论结合实践，带你轻松开启大模型应用之旅
配套丰富：随书附赠详尽示例代码，快速上手，轻松驾驭大模型技术

目　录
第 1章　LangChain简介 1
1．1　LangChain的产生背景 1
1．1．1　大模型技术浪潮 1
1．1．2　大模型时代的开发范式 5
1．1．3　LangChain框架的爆火 6
1．2　LangChain核心概念和模块 8
1．2．1　模型I/O模块 9
1．2．2　RAG模块 9
1．2．3　存储模块 10
1．2．4　工具模块 11
1．2．5　回调组件 11
1．2．6　LCEL语法 11
1．2．7　LangGraph库 12
1．2．8　小结 14
1．3　LangChain与其他框架的比较 15
1．3．1　框架介绍 15
1．3．2　框架比较 17
1．3．3　小结 18
第 2章　LangChain初体验 20
2．1　开发环境准备 20
2．1．1　管理工具安装 20
2．1．2　源码安装 21
2．1．3　其他库安装 21
2．2　快速开始 22
2．2．1　模型组件 22
2．2．2　提示词模板组件 24
2．2．3　输出解析器组件 25
2．2．4　使用LCEL进行组合 26
2．2．5　使用LangSmith进行观测 28
2．2．6　使用LangServe提供服务 29
2．3　最佳安全实践 31
第3章　模型输入与输出 33
3．1　大模型原理解释 33
3．1．1　为什么模型输出不可控 33
3．1．2　输入对输出的影响 34
3．2　提示词模板组件 37
3．2．1　基础提示词模板 37
3．2．2　自定义提示词模板 39
3．2．3　使用FewShotPromptTemplate 40
3．2．4　示例选择器 42
3．3　大模型接口 45
3．3．1　聊天模型 46
3．3．2　聊天模型提示词的构建 46
3．3．3　定制大模型接口 49
3．3．4　扩展模型接口 54
3．4　输出解析器 54
第4章　链的构建 59
4．1　链的基本概念 59
4．2　LCEL语法探究 59
4．3　Runnable对象接口 61
4．3．1　schema属性 65
4．3．2　invoke方法 66
4．3．3　stream方法 68
4．3．4　batch方法 69
4．3．5　astream_log方法 70
4．3．6　astream_events方法 72
4．4　LCEL高级特性 74
4．4．1　ConfigurableField 74
4．4．2　RunnableLambda 75
4．4．3　RunnableBranch 75
4．4．4　RunnablePassthrough 76
4．4．5　RunnableParallel 76
4．4．6　容错机制 77
第5章　RAG介绍 78
5．1　RAG技术概述 78
5．2　LangChain中的RAG组件 81
5．2．1　文档加载组件 81
5．2．2　文档分割组件 82
5．2．3　文档嵌入 87
5．2．4　向量存储 92
5．2．5　检索器 96
5．2．6　多文档联合检索 104
5．2．7　RAG技术的关键挑战 108
5．3　RAG实践 108
5．3．1　文档预处理过程 108
5．3．2　文档检索过程 113
5．3．3　方案优势 118
第6章　智能代理设计 119
6．1　智能代理的概念 119
6．2　LangChain中的代理 120
6．2．1　LLM驱动的智能代理 120
6．2．2　代理组件 122
6．3　LangGraph库 126
6．3．1　LangGraph核心概念 127
6．3．2　LangGraph代理能力 136
6．3．3　使用LangGraph构建代理
应用 143
第7章　记忆系统 152
7．1　记忆系统介绍 153
7．2　短期记忆管理 153
7．2．1　保留全部对话 153
7．2．2　记忆窗口机制 154
7．2．3　按条件筛选对话 156
7．2．4　创建对话摘要 157
7．3　长期记忆管理 161
7．3．1　基于向量的记忆存储 161
7．3．2　基于知识图谱构建结构化
记忆 168
7．4　自定义记忆组件 170
7．4．1　方案说明 170
7．4．2　代码实践 171
第8章　回调机制 177
8．1　回调处理器 177
8．2　使用回调的两种方式 179
8．2．1　构造器回调 179
8．2．2　请求回调 179
8．3　实现可观测性插件 180
第9章　构建多模态智能机器人 183
9．1　需求思考与设计 183
9．1．1　需求分析 183
9．1．2　应用设计 183
9．1．3　Slack应用配置 185
9．2　利用LangChain开发应用 189
9．2．1　构建Slack事件接口 189
9．2．2　消息处理框架 190
9．2．3　实现多模态代理 193
9．3　应用监控和调优 196
9．3．1　应用监控 197
9．3．2　模型效果评估 197
9．3．3　模型备选服务 198
9．3．4　模型内容安全 198
9．3．5　应用部署 198
第 10章　社区和资源 199
10．1　LangChain社区介绍 199
10．1．1　官方博客 199
10．1．2　项目代码与文档 199
10．1．3　社区贡献 200
10．1．4　参与社区活动 201
10．2　资源和工具推荐 201
10．2．1　模板 202
10．2．2　LangServe 203
10．2．3　LangSmith 205
10．2．4　教程用例 208
10．3　LangChain的未来展望 208
10．3．1　生态系统概览 209
10．3．2　变化与重构 210
10．3．3　发展计划 210