LangGraph 智能体实战课程仓库
用可复现的分支与提交,逐步搭建 Agentic RAG、ReAct 与反思型 LLM 智能体。
- Star 数
- ★ 753
- 最近更新
- 21 天前
- License
- Apache-2.0
- FA 评分
- 33/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配OpenAI API
- 费用
- 软件免费,模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 正在学习 LangGraph 的开发者,希望通过检出 project/agentic-rag 并逐个 cherry-pick 提交来理解 RAG 图的搭建过程。
- 不适合
- 不想配置 API 密钥、Poetry 与多个分支的开发者
- 只需要生产级现成 Agent 而不想按课程逐步学习的团队
- 官网
- udemy.com/course/langchain ↗ 来自 GitHub 仓库设置
- 维护状态
- 近 30 天有提交最近提交 2026-10-31近 7 天每天 +0.6 ★
这个 Agent 能做什么,适合哪些场景?
这是 Udemy 畅销课程《LangGraph – Develop LLM-Powered AI Agents》的动手配套仓库。仓库按分支组织项目:project/agentic-rag(带文档评分、Web 搜索与自适应路由的 RAG 流水线)、project/ReAct-agent(LangGraph 实现的推理加行动循环)、project/reflection 与 project/reflection-agent(让智能体批判并修订自身输出)、project/reflexion-agent(从历史运行中学习)。每个分支内的提交对应一节课,便于按 git log --oneline 顺序跟练。执行入口是 Python 的 main.py,使用 Poetry 管理依赖,通过 .env 提供 OPENAI_API_KEY、可选的 TAVILY_API_KEY 与 LANGCHAIN_API_KEY/LANGCHAIN_TRACING_V2。需要说明的是,仓库本身是教学代码集合,不包含托管服务或生产部署脚本,运行结果取决于你提供的模型密钥与本地配置。
仓库提供可按分支检出的一组 LangGraph 示例工程,每个工程用 main.py 驱动。Agentic RAG 分支的提交串展示了完整链路:先做数据摄取与嵌入,再定义图状态(Graph State)在节点间传递记忆,随后依次实现 Retrieve Node 取回上下文、Grade Docs Node 做结构化相关性过滤、Web Search Node 调用 Tavily API、Generation Node 完成提示与 LLM 生成,最后用条件边把图串成扇入扇出结构,并加入 Self-RAG(让 LLM 自我批判)与 Adaptive Router(动态选择工具)。ReAct 分支实现推理与行动交替的循环;reflection 与 reflection-agent 分支让智能体生成后自我批评并修订;reflexion-agent 分支则把过去的运行结果带回后续决策。所有环节通过 .env 中的密钥访问外部模型与搜索服务,可选开启 LangSmith 追踪。
- 正在学习 LangGraph 的开发者,希望通过检出 project/agentic-rag 并逐个 cherry-pick 提交来理解 RAG 图的搭建过程。
- 需要为客户演示带自校正能力的检索问答流程的工程师,可复用 Grade Docs Node 与 Self-RAG 思路搭建原型。
- 要快速对比 ReAct 与反思/Reflexion 两类智能体循环差异的研究者或学生,可分别在对应分支运行 main.py。
- 使用 LangChain 生态、希望接入 Tavily 网络搜索工具做多步问答的团队,可参考 Web Search Node 的配置方式。
- 准备面试或教学材料、需要按课时组织演示顺序的讲师,可利用仓库的 commit 与课程表的一一对应关系。
- 需要在本地验证 LangSmith 追踪效果的开发者,可通过 LANGCHAIN_TRACING_V2 与 LANGCHAIN_API_KEY 观察图执行。
安装与配置要点
摘自下方的安装和使用说明,以项目 README 的最新说明为准。
- 环境变量
OPENAI_API_KEYTAVILY_API_KEYLANGCHAIN_API_KEY- 配置文件
.env
如何安装或部署这个 Agent?
仓库要求 Python 环境与 Poetry,按 README 的 Quick Start 执行以下命令(注意 README 中的仓库名拼写为 langgaph-course,请按实际地址克隆):
# 1. 克隆并进入
$ git clone https://github.com/emarco177/langgaph-course.git
$ cd langgaph-course
# 2. 选择项目分支
$ git checkout project/agentic-rag # 以该分支为例
# 3. 安装依赖(Poetry)
$ poetry install
# 4. 运行
$ poetry run python main.py随后在仓库根目录创建 .env 文件:
OPENAI_API_KEY=...
TAVILY_API_KEY=... # 可选 – 用于 Web 搜索课程
LANGCHAIN_API_KEY=... # 可选 – 用于 LangSmith 追踪
LANGCHAIN_TRACING_V2=true # 可选
PYTHONPATH=$(pwd)如何使用这个 Agent?
安装完成后,先确保处于目标分支,再运行入口脚本:
$ git checkout project/ReAct-agent
$ poetry run python main.py需要用哪个项目就切到哪个分支:project/agentic-rag 演示完整 RAG 流水线,project/ReAct-agent 演示推理与行动循环,project/reflection 与 project/reflection-agent 演示自我批评与修订,project/reflexion-agent 演示从历史运行中学习。想按课时跟练时,可用提交历史查看每一步:
$ git log --oneline
$ git checkout <hash>如果要使用 Web 搜索节点,需要额外提供 TAVILY_API_KEY;要查看 LangSmith 追踪,则设置 LANGCHAIN_API_KEY 与 LANGCHAIN_TRACING_V2=true。
这个 Agent 有哪些优点和局限?
- 分支即项目、提交即课时的组织方式,让每个 Agentic RAG、ReAct、反思流程都能被独立检出、逐步回放。
- Agentic RAG 覆盖了从摄取、检索、文档评分到 Web 搜索、生成、自校正与自适应路由的完整节点链路。
- 同时提供 reflection 与 reflexion 两个分支,便于对比“当场修订”和“从历史运行学习”两种自我改进方式。
- 采用 Poetry 管理依赖,并提供 .env 示例与可选的 Tavily、LangSmith 配置项,环境说明清晰。
- 需要 OpenAI API 密钥才能跑通,属于付费模型调用,仓库本身不提供本地模型替代方案。
- README 中多处仓库地址写作 langgaph-course(如克隆命令与分支链接),与实际仓库名 langgraph-course 不一致,照抄命令会失败。
- 运行需要自行创建 .env 并配置 PYTHONPATH,安装步骤分散在 Quick Start 与配置示例两处。
- 缺少版本化发布、Docker 或托管部署说明,生产化落地需要自行补齐。
这个 Agent 与同类方案有什么区别?
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| LangGraph 智能体实战课程仓库 当前 | 33 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 753 | 21 天前 | — | OpenAI API |
| Agent Systems Handbook | 62 · 存在缺口 | 网页应用免费 | ★ 315 | 1 个月前 | MDX | — |
| 《LangGraph 1.0 完全指南》 | 44 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 475 | 1 天前 | Jupyter Notebook | Claude Code |
| LangChain | 62 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 150k | 今天 | Python | OpenAI API |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
README展示了OPENAI_API_KEY、可选TAVILY_API_KEY和LangSmith追踪配置,也说明课程涉及网页搜索、LLM调用和数据嵌入,因此部分数据流可见(1)。但没有权限限制、敏感信息保护、依赖安全、外部操作确认或恢复机制说明,相关项得0;README提供git checkout和回退到提交的实验方式,但未说明产品操作恢复,rollback仅得1。README致谢LangChain/LangGraph并链接文档,提供部分来源归属,但未逐项标注实现或内容来源,source_attribution得1。
README称每个分支是项目、每个提交是课程,并给出分支和课程步骤,但示例仓库路径拼写为langgaph-course,而对象和链接使用langgraph-course,branch表中的链接也拼错;自洽性因此仅得1。Poetry安装有简述,但未给出锁文件、版本约束或依赖替代/可用性证据,dependency_availability得0。没有错误处理或故障排查信息,failure_messages得0。
材料明确面向学习LangGraph并列出Agentic RAG、ReAct、反思和多步骤图等场景,audience_and_scenarios得2。能力边界仅以项目概览和可选API提及,未说明安全或生产适用限制,得1。按项目分支和课程提交组织的触发/选择路径清楚,trigger_precision得2。Quick Start给出Python入口、Poetry和环境变量,但未提供操作系统、版本或部署适配细节,environment_fit得1。
仓库地图、课程步骤和Quick Start构成清晰结构,information_architecture得2。安装步骤可操作但较薄,且仓库名称拼写不一致,install_notes得1。README自身有拼写不一致的仓库名及分支链接,naming_stability得0。提供项目示例、课程步骤、社区和问题反馈渠道,但无FAQ,examples_and_faq得2。未说明限制,known_limitations得0。随附Apache-2.0许可证文本完整,license得3。提及提交历史和未来更新,但无版本发布或变更日志说明,versioning_changelog得1。社区和GitHub Issues提供联系线索,但没有明确维护负责人或响应承诺,maintenance_responsibility得1。
README说明了学习成果和运行入口,但没有实际输出示例或操作结果,output_usability得1。针对LangGraph课程的分步项目、图工作流和分支历史提供明显学习价值,marginal_value得2。安装要求Poetry及OpenAI密钥,网页搜索和追踪还涉及外部服务;材料未估算费用或资源需求,cost_benefit得1。
功能和课程承诺可追溯到README中的项目列表、课程表和启动步骤,但“生产级”等宣传语没有证据支撑,claim_traceability得1。README与许可证互相补充,但没有提供代码或测试材料来佐证课程功能;cross_source_corroboration得1。描述中能区分必需与可选环境变量,但没有系统区分已验证事实和宣传性主张,fact_inference_separation得1。
- 源码中未见:最小权限约束只授予完成任务所需的权限:用专用账号或只读令牌,并限定可访问的目录和仓库。
- 源码中未见:执行前用户确认开启或自行加上执行前确认;先在沙箱或测试环境跑通,确认行为后再接入真实数据。
- 源码中未见:依赖安全审查安装前固定版本并做一次依赖扫描(如 npm audit、pip-audit);优先放在容器里运行。
- 源码中未见:外部影响披露先弄清它会写入、发送或修改哪些外部系统,用测试账号或测试仓库验证后再接入正式环境。
- 运行前确认仓库地址和分支链接拼写;README中的仓库名和部分链接不一致。
- 示例要求配置OpenAI密钥,部分课程还可能调用Tavily及LangSmith;材料未说明费用、数据保留或错误恢复方式。
常见问题
使用这个仓库需要付费吗?
应该从哪个分支开始?
克隆命令和仓库地址不一致怎么办?
可以在没有网络搜索的情况下运行吗?
这是可以直接上线的生产框架吗?
LangGraph 智能体实战课程仓库 官网是什么?
LangGraph 智能体实战课程仓库 开源吗?
LangGraph 智能体实战课程仓库 安全吗?
LangGraph 智能体实战课程仓库 还在维护吗?
LangGraph 智能体实战课程仓库 是谁开发的?
谢谢反馈,我们会据此改进页面。