Langchain Agent Demo

MCPAI代理

提供方 Pierre-Clayton

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

LangChain和LangGraph的全面教育演示,涵盖从基础概念到高级多代理系统的AI应用开发,包括MCP集成和LangSmith监控。

一句话选型结论

按资料字段整理

Langchain Agent Demo 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI代理Python本地部署多代理系统RAG状态机LangSmith监控

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python setup.py

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Langchain Agent Demo当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Pierre-Clayton上游标注的维护方 Pierre-Clayton
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

37.9 KB
来自项目仓库与上游目录的原文,未做删改

🤖 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

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)```bash

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```bash
# 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```bash

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:```bash
# .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:```bash

.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:```bash
# .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)```bash

.env

ANTHROPIC_API_KEY=your-anthropic-key
COHERE_API_KEY=your-cohere-key


### 验证配置```bash
# 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:```bash
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:```bash
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:```bash
# 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:```bash

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

模块 · 文件 · 示例 · 描述
3 · 19 · 基本链、提示和大型语言模型(LLM)交互 · ** · ** 02_代理
3 · 8 · 携带工具的代理,ReAct模式 · ** · ** 03_内存
1 · 6 · 会话内存管理 · ** · ** 04_langgraph
2 · 9 · 状态机和工作流 · ** · ** 05_多智能体
1 · 4 · 协调多智能体系统 · ** · ** 06_rag
1 · 5 · 模型上下文协议集成 · ** · ** 08_监控
1 · 6 · 监控和可观测性 · ** · ** 总计 ** · ** 13 ** · ** 六十二 ** · ** 完整、可运行的示例


|

📖 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````python
    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**```bash
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```bash
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
1. **简单的LLM调用**流媒体播放
1. **逐个标记生成**成本追踪
1. **监控代币和成本**温度对比
1. **创意控制**异步操作
1. **并发处理**批处理
1. **高效的多输入**参数调整

**微调行为**```bash
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

✅ 文件操作```bash
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
1. **单个工具(计算器)**多功能工具代理
1. **代理决定使用哪个工具**研究代理
1. **信息查询**智能体推理

**查看思考过程**```bash
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```bash
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**```bash
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. 在节点间建立状态流式执行
  4. 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:**```bash
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:**```bash
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:**```bash
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:**```bash
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:

  • 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:**```bash
# Fetch server
pip install mcp-server-fetch

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

先决条件:```bash
python -m src.07_mcp.mcp_integration


运行: **📖(书本)**完整设置指南 见

______________________________________________________________________

#### 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
1. **LangSmith 设置**监控代理执行
1. **追踪完整执行过程**追踪成本
1. **实时标记和成本**调试失败
1. **捕获并分析**性能指标
1. **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:```bash
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

  • 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)```python
# 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```bash

.env

LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsv2_pt_your_key_here
LANGCHAIN_PROJECT=my-project


#### 2. 配置```python
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)```python

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

  • 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```python

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**```python
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```python
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)**```python
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```bash
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
1. 文件 `OPENAI_API_KEY=your-key`
1. 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:
1. 检查使用情况:https://platform.openai.com/usage
1. 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**```bash
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```python

Use UTF-8 encoding

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


______________________________________________________________________

### 解决方案:

**高级调试**```python
import logging
logging.basicConfig(level=logging.DEBUG)

启用详细日志:```python

Turn on verbose in agents

agent_executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=True # ✅ See all steps
)


**查看API请求:**```python
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):
模块 · 示例 · 预估成本 · 时间
01_基础 · 19 · 约0.50美元 · 30分钟
02_代理 · 8 · 约0.80美元 · 20分钟
03_内存 · 6 · 约0.40美元 · 15分钟
04_langgraph · 9 · 约0.60美元 · 25分钟
05_多智能体 · 4 · 约1.00美元 · 20分钟
06_rag · 5 · 约0.70美元 · 20分钟
07_mcp · 5 · 约0.50美元 · 20分钟
08_监控 · 6 · 约0.30美元 · 15分钟 · ** · ** 总计 ** · ** 六十二 ** · ** 大约4.80美元 ** · ** 约3小时


用于学习(比GPT-4便宜10倍)

🎯 快速总结```bash

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://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)

  • 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bash python main.py

立即开始:


最后更新时间:2025
版本:2.0

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Langchain Agent Demo 怎么安装?

在客户端按下面的安装命令接入:python setup.py。装完在客户端配置里引用同一个包或端点。

Langchain Agent Demo 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Langchain Agent Demo 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Langchain Agent Demo 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Langchain Agent Demo 能提供哪些能力?

资料显示能力标签包括 AI代理、Python、RAG。具体工具清单以官方文档为准。

Langchain Agent Demo 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Langchain Agent Demo 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。