尚硅谷发布2026版LangChain视频教程，涵盖Agent开发与工具链实战

背景

随着大语言模型（LLM）在工业界应用的深入，开发者对构建复杂 AI 应用的需求已从简单的模型调用转向构建具备记忆、工具调用、工作流编排能力的智能体（Agent）。LangChain 作为该领域的开源框架，其版本迭代迅速，API 设计也在不断演进。

尚硅谷推出的 2026 版 LangChain 视频教程，旨在帮助开发者系统掌握 LangChain 的最新特性。该课程不仅涵盖了基础的环境配置与模型接入，更深度聚焦于 LangChain 1.x 版本中的核心架构变化，特别是中间件（Middleware）、钩子函数（Hooks）、长期记忆管理以及基于 Milvus 的 RAG（检索增强生成）实战。课程依托 DeepSeek、智谱、阿里云等主流模型平台，结合 OpenRouter 等中转服务，提供了从理论到生产级落地的完整技术栈。

核心内容

本教程内容结构严谨，分为课件、资料、代码和视频四个部分，视频课程共计 120 节，逻辑上可划分为以下五个核心模块：

1. 基础架构与环境配置

课程开篇明确了 LangChain 的定义、主要模块及“四大支柱”，并详细讲解了 Conda 虚拟环境的配置。在模型接入层面，课程展示了如何调用 DeepSeek 官网、智谱、阿里云百炼平台的大模型，以及通过 ChatOpenAI 兼容接口、OpenRouter 和 CloseAI 中转平台进行模型调用。针对 LangChain 1.x 版本，重点讲解了 init_chat_model 的新用法、常用初始化参数（如 model_kwargs、extra_body）以及 profile 属性，并演示了 invoke 方法的三种参数类型、返回值说明，以及流式、批量和异步调用的实现方式。

2. 消息处理与提示词工程

深入解析了 LangChain 中的消息对象及其两种格式，详细说明了消息对象中的字段含义。课程重点讲解了 ChatPromptTemplate 的实例化方式、调用方式及 6 种参数类型，包括部分变量预填充和消息占位符的使用。此外，还介绍了 content 和 content_blocks 的具体用法，为构建复杂的对话逻辑打下基础。

3. 工具调用与结构化输出

此模块详细阐述了工具（Tool）的定义与执行流程。课程对比了不使用 @tool 装饰器与使用 @tool 装饰器（包括 description、name、args_schema 等参数）的定义方式，并通过多个案例演示了 args_schema 和 docstring 的应用。针对多工具调用，讲解了 tool_choice 参数的使用及实践经验。 在结构化输出方面，课程深入讲解了 Pydantic 的基本使用及高级特性（可选字段、默认值、枚举、列表提取、嵌套、限制条件），并图解了 Pydantic 模式的工作流程。同时，对比了 TypedDict、JSON Schema 和 @dataclass 格式的使用，分析了四种不同模式的类型校验情况及两种获取结构化结果的方式。

4. Agent 开发与高级机制

课程系统介绍了 Agent 的概述、实例化方式（两种模型传入方式）及通过 invoke() 调用的流程。重点讲解了 Agent 绑定工具、工具调用流程分析及常见问题排查。在 Agent 配置上，涵盖了 name 和 system_prompt 的设置，以及 4 种结构化输出策略。 特别值得注意的是，课程深入讲解了 LangChain 1.x 引入的 ToolStrategy，包括其 schema 设置（Pydantic 及其他类型）和 tool_message_content 参数。此外，还详细阐述了 Agent 的高级用法，如错误处理机制和流式输出策略，并通过“多功能智能助手”案例进行实战演练。

5. 中间件、钩子、记忆与 RAG 实战

这是课程最具深度的部分，涵盖了 LangChain 的高级扩展能力：

• 中间件（Middleware）：详细讲解了中间件的分类及 10 余种具体中间件的使用，包括 SummarizationMiddleware（摘要）、HumanInTheLoopMiddleware（人机交互）、PILMiddleware、TodoListMiddleware、ModelCallLimitMiddleware（调用限制）、ToolCallLimitMiddleware、ModelFallbackMiddleware（模型降级）、LLMToolSelectorMiddleware、ToolRetryMiddleware（工具重试）、ModelRetryMiddleware（模型重试）、LLMToolEmulatorMiddleware（工具模拟）和 ContextEditingMiddleware（上下文编辑），以及 FilesystemFileSearchMiddleware（文件系统搜索）。课程还讲解了多个中间件的组合执行顺序。
• 钩子函数（Hooks）：讲解了 Hook 函数的概念，以及如何基于装饰器（can_jump_to 参数）和类定义 Node-style 的钩子函数，分析了 wrap_model_call 和 wrap_tool_call 的实现与场景，以及装饰器与类方式的选择及执行顺序。
• 记忆管理（Memory）：从短期记忆（基于内存的持久化存储、PostgreSQL 实现）到长期记忆（存储架构、put()/get()/search() 操作），并演示了在工具中和中间件中访问长期记忆的方法。同时讲解了消息裁剪、删除和摘要的治理策略。
• RAG 实战：讲解了 RAG 的必要性、工作流程及环境准备。详细演示了多种数据加载器（TextLoader、CSVLoader、JSONLoader、PyPDFLoader、MinerU 等）和切分策略（TextSplitter 核心方法、CharacterTextSplitter、RecursiveCharacterTextSplitter 等）。在向量数据库方面，重点讲解了 Docker 安装、Milvus 的安装、数据模型说明及 DDL/DML/DQL 操作。最后，通过“Assistant 客服知识库”项目，完整演示了从全局配置、文档切分、向量化写入 Milvus，到初始化 Agent、检索函数编写，直至生产环境回答生成的全流程。

关键要点

• LangChain 1.x 新特性：课程紧跟版本迭代，重点讲解了 init_chat_model、ToolStrategy、中间件（Middleware）和钩子函数（Hooks）等 1.x 版本的核心新增功能，这些是构建现代 LangChain 应用的关键。
• 多模型兼容接入：不仅限于 OpenAI，课程涵盖了 DeepSeek、智谱、阿里云、Ollama 本地模型以及通过 OpenRouter/ClosedAI 中转的多种接入方式，体现了框架的通用性。
• 结构化输出标准化：深入对比了 Pydantic、TypedDict、JSON Schema 和 dataclass 在结构化输出中的优劣与适用场景，强调了类型校验的重要性。
• 中间件与钩子的解耦设计：通过中间件和钩子函数，实现了业务逻辑与核心链路的解耦，支持摘要、重试、限流、人机回环等复杂场景的灵活插拔。
• 长期记忆的工程化落地：不仅讲解了内存存储，还深入演示了基于 PostgreSQL 的持久化存储，以及在工具和中间件中访问长期记忆的具体实现，解决了实际开发中的状态管理痛点。
• RAG 全流程实战：从数据加载（支持 PDF、JSON 等多种格式）、文本切分、向量嵌入到 Milvus 数据库操作，最后整合到 Agent 中，形成了一套完整的知识库问答解决方案。

意义与影响

该教程对于 AI 应用开发者具有重要的参考价值：

1. 填补版本迭代的知识空白：LangChain 更新频繁，许多旧教程无法覆盖 1.x 版本的新架构。本教程及时更新，帮助开发者掌握最新的 API 和设计模式，避免技术债务。
2. 提升工程化落地能力：通过深入讲解中间件、钩子、记忆管理和 RAG 实战，课程超越了简单的 API 调用层面，转向生产级应用的构建，帮助开发者解决稳定性、可扩展性和数据管理等实际问题。
3. 拓宽技术视野：课程不仅限于 LangChain 本身，还涉及了 Milvus、PostgreSQL、Docker、MinerU 等周边生态工具，有助于开发者构建更完整的技术栈。
4. 提供可复用的实战案例：“Assistant 客服知识库”项目涵盖了从数据预处理到最终部署的完整