建立基础
理解 Agent 运行协议，并连接本地模型。
外观
LANGCHAIN FIELD GUIDE · 中文本地实践
LangChain Agent
本地开发教程
从模型调用、Prompt 和 Tool 开始，逐步构建 RAG、Memory 与 LangGraph Agent。 全部示例使用 Python CLI 与本地 Ollama。
LOCAL AGENT STACK
- 模型
- qwen3
- 向量
- embeddinggemma
- 运行时
- Ollama
- 框架
- LangChain · LangGraph
uv run python examples/04_agent_cli.pyCOURSE MAP
四个阶段，建立完整 Agent 工程视角
构建 Agent
掌握消息、工具 schema 与 Agent Loop。
接入知识与状态
让 Agent 使用外部知识并保持上下文。
走向工程化
增加可观测性、显式流程和生产约束。
RUNTIME PROTOCOL
Agent 是一条可观察、可约束的执行循环
- 01用户目标任务与约束
- 02模型决策回答或调用工具
- 03程序执行Tool · RAG · API
- 04更新状态结果返回模型
当停止条件满足时输出最终答案；否则携带新的消息和状态继续循环。
LEARNING OUTCOMES
学完后，你能够独立完成什么
- 为本地模型设计清晰的 Prompt、Message 与 Tool schema。
- 构建可运行的 Agent Loop、RAG Agent 与多轮记忆。
- 判断何时使用 LangGraph，并定位模型、检索和编排故障。
- 使用生产化清单评估安全、可观测性与上线风险。
QUICK START
准备本地环境
bash
ollama pull qwen3
ollama pull embeddinggemma
uv sync
cp .env.example .env
uv run python examples/01_chat_cli.py准备完成后进入学习路线 →