00. 学习路线

学习目标

完成本教程后，你应该能够：

• 解释 LangChain 在 Agent 应用中的角色：它不是模型本身，而是围绕模型、工具、上下文和检索建立应用骨架。
• 构建一个基于本地 Ollama 的 Python CLI Agent，并让它使用工具和 RAG 回答问题。
• 判断什么时候 create_agent 已经足够，什么时候需要使用 LangGraph 管理显式状态、分支流程和持久化。

总体路线

本教程按 Agent 能力逐层展开：

1. 模型调用：先确认本地 Ollama 模型可用，并能完成基础对话。
2. Prompt、Message 和 Tool：理解模型看到的输入结构，以及工具如何暴露给模型。
3. create_agent：使用当前 LangChain Agent API 组织 Agent Loop。
4. RAG：把本地文档检索结果作为上下文交给 Agent。
5. Memory、State、Streaming 和 Debugging：处理多轮上下文、状态传递、流式输出和问题定位。
6. LangGraph：当流程需要显式节点、边、条件路由、持久化或人工介入时，使用更底层的编排能力。

建议先运行每个示例，再阅读代码。运行结果能帮助你建立直觉：模型实际收到了什么、它为什么选择工具、工具结果如何影响最终回答。

每章对应示例

下表是教程完成后的章节和示例对应关系：

文档章节	主题	对应示例
docs/00-learning-path.md	学习路线	无独立示例
docs/01-langchain-agent-overview.md	Agent 总览	无独立示例
docs/02-local-models-with-ollama.md	本地模型调用	examples/01_chat_cli.py
docs/03-prompts-and-messages.md	提示词与消息	examples/02_prompt_cli.py
docs/04-tools-and-tool-calling.md	工具调用	examples/03_tools_cli.py
docs/05-agent-loop-with-create-agent.md	create_agent Agent Loop	examples/04_agent_cli.py
docs/06-rag-agent.md	RAG 数据导入与 RAG Agent	examples/05_rag_ingest.py、examples/06_rag_agent_cli.py
docs/07-memory-and-state.md	记忆与状态	examples/07_memory_agent_cli.py
docs/08-streaming-and-observability.md	流式输出与观察	examples/08_streaming_cli.py
docs/09-langgraph-for-advanced-agents.md	LangGraph 高级 Agent	examples/09_langgraph_agent.py
docs/10-production-checklist.md	生产化检查	无独立示例

学习建议

• 每一章都先运行示例，再读代码。不要只看文档推测行为。
• 修改示例时一次只改一个变量，例如模型名称、系统提示词、工具描述或检索内容。
• Agent 不稳定时，优先检查四件事：模型输入、工具定义、工具输出、最终回复。
• 工具调用失败时，先减少工具数量和参数复杂度，再逐步恢复完整能力。
• RAG 回答不准时，先看检索结果是否正确，再判断模型是否正确使用了上下文。
• 当你发现流程开始依赖多个步骤、条件分支、长期状态或人工确认时，再考虑 LangGraph。

每个阶段的产出

第一阶段结束后，你应该能运行一个最小聊天 CLI，并知道模型名、Ollama 地址和 temperature 分别影响什么。

第二阶段结束后，你应该能解释模型实际收到的是一组 messages，而不是一个神秘的“提示词字符串”。你还应该知道系统消息、人类消息、AI 消息和工具消息在 Agent loop 中的作用。

第三阶段结束后，你应该能写出一个小工具，并理解“模型请求工具”和“程序执行工具”是两件事。模型不会直接执行 Python 函数，它只能产生结构化的调用意图。

第四阶段结束后，你应该能把本地文档变成可检索知识库，并知道 RAG 的问题不只来自模型，也可能来自文档、chunk、embedding、vector store 或 retriever。

第五阶段结束后，你应该能解释 memory、RAG 和 workflow state 的区别。它们都和“上下文”有关，但保存的内容、生命周期和使用方式不同。

第六阶段结束后，你应该能判断什么时候简单 Agent loop 已经不够。只要流程需要明确步骤、条件分支、恢复能力或人工审核，就应该认真考虑 LangGraph。

自测问题

• LangChain 和 Ollama 的边界在哪里？
• 为什么工具描述会影响模型是否调用工具？
• 为什么 RAG 不是把文档“训练进模型”？
• 为什么短期 memory 不能无限追加？
• 一个 Agent 出错时，你会先看最终回答，还是先看消息和工具调用记录？