LangChain 一周速成学习计划

Day 1

环境验证 + 核心认知

1. LangChain 核心价值与 6 大组件（模型/提示/链/记忆/文档处理/RAG）概览
2. 本地环境二次校验，梳理已装依赖

1. 运行 Hello World 示例，实现简单文本生成
2. 封装 1 个通用模型调用函数

1.5h

Day 2

模型层 + 提示工程

1. 本地模型参数配置（温度、最大生成长度、上下文窗口）
2. PromptTemplate / ChatPromptTemplate / FewShotPromptTemplate

1. 不同参数下的模型输出对比
2. 编写 2 个可复用提示模板（文本总结、问题解答）

1.5-2h

Day 3

链（Chains）+ 记忆（Memory）

1. LLMChain / SimpleSequentialChain 核心逻辑
2. ConversationBufferMemory / ConversationSummaryMemory 用法

1. 实现两步链式调用（总结 → 生成问答）
2. 开发本地简易多轮对话机器人

2h

Day 4

文档处理 + 向量化

1. 本地文档加载与分割（RecursiveCharacterTextSplitter）
2. FAISS 本地向量库的创建与调用

1. 加载自定义文档，完成清洗 → 分割 → 向量化全流程
2. 实现简单的相似性检索

2h

Day 5

RAG + 单 Agent 入门

1. RAG 完整流程：Retriever 配置、检索→生成链路
2. Agent 核心概念：ReAct 循环、Tool Calling、create_agent 使用方式

1. 实现本地 RAG 问答机器人，返回带文档依据的答案
2. 搭建一个能调用工具的简单 Agent（如计算器、时间查询）

2.5h

Day 6

综合实战：RAG + Agent 融合

1. 整合记忆 + RAG + 工具调用，构建增强型文档助手
2. Agent 自主判断何时检索、何时调用工具、何时直接回答

1. 开发支持多轮对话的 RAG Agent：能根据历史问题优化检索，必要时调用外部工具
2. 添加兜底逻辑，处理无匹配知识库的情况

2.5h

Day 7

Multi-Agent 实战 + 进阶方向

1. Multi-Agent 核心概念：Pipeline、Supervisor、Blackboard 三种通信模式
2. LangGraph 多节点编排实现多 Agent 协作
3. 梳理后续进阶方向（工程化、多模态、生产部署）

1. 搭建 Supervisor + Worker 架构：主 Agent 拆解任务，分派给子 Agent 执行
2. 实战：搭建“文档分析团队”——检索 Agent + 摘要 Agent + 评审 Agent 协作完成深度分析

2.5h