企业官网建设流程全解析

LangChain 是目前学习 RAG 和 AI Agent 绕不开的框架。最近看到一套 LangChain 实战 36 讲的学习路线，标题标签很直接：B站最强AI Agent教程。我不评价这个“最强”能不能成立，单看内容，它确实把从 0 到 1 构建 RAG 和智能代理这条链路拆成了 36 个可练习的小关卡。对于想亲手搭建知识库问答系统或智能代理的人来说，这套路线真正有价值的，不是某一个炫酷功能，而是“先跑通一条完整链路，再逐步加能力”的学习顺序。下面我按自己实际跑项目的经验，把链路里最重要的知识点、参数取舍和常见坑点拆一遍。

1. 学 LangChain 之前，先搞清楚 RAG 和 Agent 到底解决什么问题

1.1 RAG 不是向量数据库，是“检索+生成”的组合链路

很多人第一次接触 RAG，以为装一个向量数据库就完成了知识库。这个理解偏差很大。RAG 的全称是 Retrieval-Augmented Generation，翻译过来是“检索增强生成”。它的核心不是“存”，而是“先检索，再生成”。

一条标准的 RAG 链路由多个独立环节组成：文档加载、文本拆分、Embedding 向量化、向量存储、相似度检索、组装 Prompt、调用大模型生成答案。任何一个环节出问题，最终答案都会受影响。比如文档加载时 PDF 扫出来的是一张图片，后面直接跳到向量化，检索结果一定是乱的。再比如文本拆分时把一句话从中间切断，检索到的片段可能只有半句话，模型再怎么生成也补不回来。

所以学习 RAG 的关键，不是把某个向量库的 API 背熟，而是建立“链路思维”。每次回答变差，先判断是哪一段出了问题，而不是一上来就换模型。我在调试知识库问题时，最重要的原则是：把整条链路拆成独立环节，先看数据，再看检索，最后才看生成。

1.2 Agent 不是聊天机器人，是有工具调用能力的决策循环

Agent 这个词现在被用得很泛。很多人以为接了大模型 API 就是 Agent，其实不是。普通聊天机器人是“问题进来，答案出去”，模型只需要生成文本。而 Agent 的核心是多了一个决策循环：模型根据用户问题判断需要做什么，决定是否调用工具，把工具返回的结果放进上下文，再判断是否需要继续调用其他工具，最后生成回答。

这个循环里最关键的是“工具”。工具是 Agent 对外部世界的操作接口，可以是一个查询函数、一个 API、一个数据库操作，也可以是一段脚本。模型本身不具备实时数据能力，但它可以通过工具获得数据。

因此，在入门 Agent 时，我建议先不要学太复杂的概念，先做一个最简单的人工循环：写一个工具函数，让模型决定是否调用它，观察模型怎么选择参数、怎么处理返回值。这一步跑通之后，再考虑用框架自动完成这些循环。

1.3 为什么 LangChain 适合新手，又为什么容易劝退

LangChain 的最大价值是把 RAG 和 Agent 里常用的组件都抽象成了统一接口。文档加载有 Loader，文本拆分有 Splitter，向量存储有 VectorStore，模型调用有 ChatModel，Agent 有 Tool 和 AgentExecutor。新手不需要从零实现一个拆分器，也不需要关心不同向量库之间的 API 差异，拼积木一样就能搭出流水线。

但这也是它容易劝退的地方。抽象层多，意味着报错信息非常长，而且很多报错并不是真正的问题源。比如一个 ModuleNotFoundError，原因可能只是 langchain-community 没有安装；一个返回空结果的问题，可能不是模型不行，而是 Prompt 里没有把检索结果拼接进去。初学者很容易被这些外部错误干扰，误以为框架很难。

我的建议是：不要试图第一次就把所有概念弄懂。先跑通一个最小闭环，哪怕只是“加载一个文本文件，问一个简单问题”，然后再逐步加入向量检索、工具调用、记忆等能力。每加一个能力，就验证一次输出，这样排错范围会小很多。

2. 环境准备和 LangChain 版本判断：别让第一步卡住

2.1 Python 环境、虚拟环境和依赖安装

LangChain 是一个 Python 生态项目，第一步是准备 Python 环境。我建议使用 Python 3.10 或更高版本，因为新版本对类型标注和异步支持更好。实际项目里不建议直接使用系统 Python，最好用 venv 或 conda 隔离一个虚拟环境，避免和别的项目相互污染依赖版本。

安装 LangChain 时要注意，新版已经拆成了多个包。常见的有 langchain、langchain-community、langchain-openai、langchain-core 等。只执行 pip install langchain 并不会把所有集成包都装好。正确做法是根据自己实际用到的功能按需安装。

python -m venv .venv source .venv/bin/activate pip install langchain langchain-community langchain-openai

如果要用本地向量库和文档加载器，还要额外装对应的依赖。Chroma、FAISS、PyPDF 等都属于第三方集成，很多需要单独安装。安装完成后，先跑一个最简单的导入测试，确认每个包都能正常 import，再进入下一步。

2.2 LangChain 版本差异与 OpenAI/Ollama 接口选择

LangChain 演进速度很快，早期版本和当前稳定版的类路径变化非常大。网上很多教程拿到现在跑会直接报 ModuleNotFoundError，原因就是把 langchain.llms.OpenAI 当成了标准路径，而这个类早就挪到 langchain_openai 包下面了。

遇到这种情况，不要急着怀疑教程，也不要急着折腾模型。先确认三件事：

• Python 是多少版本。
• LangChain 相关包是什么版本。
• 教程里的 import 路径是不是当前包支持路径。

接口方面，我推荐优先使用 OpenAI 兼容接口。现在很多模型服务都提供 OpenAI 风格接口，参数保持一致，这样切换模型时只需要改 base_url 和 model_name。配置方式一般是环境变量：

export OPENAI_API_KEY="your key" export OPENAI_BASE_URL="https://api.example.com/v1"

Ollama 本地模型也提供 OpenAI 兼容端点。启动 ollama serve 后，可以把 base_url 指到 http://localhost:11434/v1，用同样的 ChatOpenAI 方式调用本地模型。这个组合对学习阶段非常友好：不用申请 key，数据留在本机，还能实际感受本地模型和云端模型的差异。

2.3 本地模型和 API 模型怎么选

学习阶段，API 模型更省心，因为不需要关注显存、内存和模型下载，调用就能看到结果。缺点是可能涉及费用和网络问题，不过现在很多平台有免费额度，用于个人学习足够。

本地模型适合隐私要求高或网络不稳定的场景，但代价是硬件门槛。模型体积越大，占用显存越高，推理速度越慢。如果你的显存只有 8GB，优先选择量化后的小参数模型；如果只有 CPU，能跑但速度会比较慢。低配置能跑通一次演示，不代表适合做批量导出或生产服务。批量任务对显存和内存的稳定占用要求远高于单条测试。

我的建议是两条腿走路：先用 API 模型跑通整个流程，理解 RAG 和 Agent 的链路；再换成本地模型重新跑一遍，体会资源限制对参数和并发的约束。两种都试过之后，你会知道很多“不生效”是模型问题还是链路问题。

2.4 最小可运行示例：跑通一个 Chain

环境准备好之后，第一件事不是直接上向量库，而是写一个最小 Chain。这里不需要复杂功能，只验证“模型能不能调用”。

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate llm = ChatOpenAI( model="你的模型名", temperature=0 ) prompt = ChatPromptTemplate.from_template( "用一句话解释{concept}" ) chain = prompt | llm result = chain.invoke({"concept": "RAG"}) print(result)

这个例子的判断标准只有一个：能正常输出中文结果。如果这一步都不行，先检查 API Key、