LangChain 1.3系统教程：架构入门与RAG/Agent/MCP/LangGraph全项目落地

AI工具层出不穷，很多开发者陷入“学工具—工具过时—再学新工具”的循环。B站UP主楼兰在最新发布的LangChain 1.3系统教程中提出一个关键判断：与其追逐上层产品，不如吃透底层框架。这个观点值得认真对待。

为什么现在要学LangChain，而不是追逐新工具

楼兰在课程开篇花了大量篇幅讨论一个现象：开发者疲于奔命地学习各种新工具，学完却发现效果有限。他的核心论点是，工具背后都带着开发者的设计意图，一旦你的需求与工具预设不一致，就会陷入被动。

据楼兰在视频中的分析，像Claude Code这类工具对国内用户的安全措施层层加码——从停止服务、封禁账号，到捕捉IP、时区等私密信息，甚至对国内控股超过50%的企业用户打上标识。他的态度很明确：“如果你的所有项目都必须依靠某个产品才能做出来，那到底是你在玩工具，还是工具在玩你？”

这个判断指向一个更本质的问题：掌握底层框架意味着拥有迁移能力和定制空间。LangChain作为最早出现的Agent开发框架之一，生态活跃度在同类中处于领先位置。楼兰强调了两点选择理由：一是“经验最丰富”，积累的问题和解决方案最多；二是生态活跃，MCP、Skill等新标准出现后，LangChain都能快速集成支持。

课程设计的三个核心原则：重体系、重实战、重思想

楼兰明确表示，这门课不要求学员熟悉每一个API。课程设计遵循三个原则：重体系不重功能、重实战不重理论、重思想不重代码。

具体到结构上，最大的变化是把LangChain和LangGraph做了统一。以往这两个模块通常被当作两门独立课程来讲，因为构建Agent的思路差异较大。但楼兰认为，它们同属LangChain大框架下的不同模块，底层有相通的部分。他把这部分称为“Agent的底层基座”——封装与大模型交互的基础能力。底座抽出来之后，上层LangGraph和LangChain的构建思路就变得相通，一门课足以覆盖。

Deep Agents模块同样基于LangGraph构建。楼兰解释了三者的思路差异：LangChain和LangGraph是程序员提前制定执行路径，Deep Agents则把任务规划交给大模型自主完成。理解底层基座后，三种思路的学习成本会大幅降低。

LangGraph 是 LangChain 团队推出的用于构建有状态、多步骤 Agent 应用的编排框架，核心思想是把 Agent 的执行流程建模为图（Graph）：节点代表具体的处理步骤（如调用模型、执行工具），边定义步骤之间的流转条件，并支持循环、分支和状态持久化。与 LangChain 早期以链式调用为主的抽象相比，LangGraph 更适合表达需要反复推理、动态决策的复杂 Agent 逻辑，也是 Deep Agents 等上层模块的构建基础。

Deep Agents 是构建在 LangGraph 之上的 Agent 开发模式，其核心区别在于将“任务规划”本身交给大模型完成，而不是由程序员预先写死每一步执行路径。模型会自主拆解目标、决定调用哪些工具、评估中间结果并调整后续动作。这种模式降低了流程编排的编码量，但对模型的推理能力和状态管理提出了更高要求，因此仍然依赖底层基座提供的模型交互、工具调用与状态保存能力。

时间回溯：一个被低估的省钱工具

视频中有一段关于token成本的讨论，值得单独拎出来。楼兰指出，连微软、亚马逊、谷歌这些大厂都在从“全面AI”转向“限制token”，因为不加规范地使用大模型，消耗会变成无底洞。

他用Agent执行任务的场景做了说明：一个复杂任务被拆成多个子步骤，前几步执行顺利，中途某一步因网络波动失败。多数Agent产品的做法是重新跑整个任务，费用像流水一样花出去，效果却卡在原地。LangChain提供的“时间回溯”功能可以把任务执行过程保存下来，从出错的步骤重新开始，前面已经完成的部分不必重复付费。

这个功能不算前沿，但楼兰认为它体现了一种思路：像规划系统架构一样规划token消耗，钱才花在刀刃上。

在 Agent 场景中，token 消耗会随步骤增加而快速累积：每一轮模型调用都需要把历史对话、工具返回结果等上下文重新发送给模型，任务链越长，单次调用携带的上下文越大，费用呈叠加式增长。若任务中途失败后整体重跑，此前已消耗的 token 全部作废。时间回溯的价值在于利用 LangGraph 的状态持久化机制（checkpoint）保存每一步的执行快照，失败时从最近的检查点恢复，只重新执行出错及之后的步骤，从而把重复计费压缩到最小范围。

从零手写多智能体：实战贯穿全课程

课程在实战设计上有一个细节值得注意。楼兰提到，多智能体实战部分的笔记只有一个流程图，其余代码全部现场手写。这种做法的目的是让学员看到从设计到实现的完整过程，而不是对着现成代码照抄。

实战覆盖的范围包括：基于LangChain构建RAG应用、Deep Agents实战、从零构建多智能体项目。此外课程还补充了本地构建大模型服务的部分，针对企业不愿将私密信息交给云端服务的需求，讲解本地部署和new API中转站的搭建。

提示词不是万能药：没有实践就没有效果

楼兰在视频中花了不少时间纠正一个流行误区：把提示词写完整，效果就一定会好。他的反驳很直接——人和人沟通时，你把需求说清楚，对方就一定能get到吗？大模型同理。

他进一步指出，短视频里常见的“RAG准确率从60%提升到90%”这类说法让人困惑：自然语言交互的评估，不是一个简单的数字能概括的。正确的做法是快速做一个小demo验证想法，经过实践检验后再迭代提示词和流程。

这个观点和课程“重实战”的设计逻辑是一致的：不实践，提的所有东西都是空的，花的token也是白花。

学完LangChain之后：语言和框架的迁移路径

针对“Agent开发该用什么语言”这个常见问题，楼兰给出了一个基于生态迁移的答案：把LangChain体系吃透后，语言不构成障碍。想转Java，有LangChain4j、LangGraph4j，Spring AI也有对应的Graph模块。思想是相通的，框架周边是一通百通的。

课程的定位也据此设定：不是培养大模型专家，而是让学员从“小白”上一个台阶，建立对Agent开发的完整认知体系。即便未来LangChain的API有小幅调整，有了体系之后也能快速跟上。

楼兰在结尾说了一句话作为课程理念的注脚：“AI is the future, but you must be the driver.” 这或许也是这门课区别于工具教学的地方——它试图培养的是驾驭能力，而非操作熟练度。

LangChain4j 是 LangChain 理念在 Java 生态中的对应实现，提供模型接入、提示词模板、工具调用、RAG 检索增强等能力；LangGraph4j 则是 LangGraph 图式编排思想在 Java 侧的移植，支持有状态的多步骤流程；Spring AI 是 Spring 官方推出的 AI 应用开发框架，其 Graph 模块同样提供流程编排能力。这些框架在 API 命名和细节上各有差异，但底层的抽象概念——模型封装、工具调用、状态流转、检索增强——高度一致，因此掌握其中一套体系后，迁移主要是熟悉语法和周边生态，而非重新理解 Agent 的工作原理。