一本专注于构建生产级LLM应用和高级Agent的实战指南，使用Python、LangChain和LangGraph，适用于希望将AI原型部署到生产环境的开发者。
一分钟了解#
这是《生成式AI与LangChain》第二版的代码库，由Ben Auffarth和Leonid Kuligin合著。本书专注于解决企业AI当前面临的最大挑战：从原型到生产的过渡。它全面介绍了LangChain生态系统的最新发展，涵盖现代AI系统在企业环境中的开发、部署和扩展方法，特别关注多智能体架构、强大的LangGraph工作流和高级检索增强生成(RAG)管道。适合有一定Python基础和AI知识的开发者学习。
核心价值：提供从设计到部署的完整路径，帮助开发者构建可投入生产环境的AI应用系统。
快速上手#
安装难度：中高 - 需要Python 3.10+，多个API密钥，以及通过Poetry或pip安装34个主要依赖项
# 使用Poetry安装
poetry install
# 或使用pip安装
pip install -r requirements.txt
适合我的场景吗？
- ✅ 企业级AI应用开发：需要将AI原型部署到生产环境
- ✅ 多智能体系统架构：需要设计复杂的多个AI代理协作系统
- ✅ RAG系统构建：需要构建具有混合搜索和重排序能力的检索增强生成系统
- ❌ 初学者入门：假设读者已有LLMs和生成式AI的基础知识
- ❌ 快速原型验证：需要大量配置和依赖，不适合简单快速的原型验证
核心能力（可选）#
1. 多智能体系统设计 - 复杂任务分解与协作#
- 使用LangGraph设计实现多智能体系统，包括Tree-of-Thoughts、结构化生成和智能体交接等推理技术 实际价值：解决复杂任务时可通过多个专业化AI代理协作，提高任务完成质量
2. 企业级测试与评估框架 - LLM应用质量保障#
- 提供针对LLM应用的全面测试和评估框架，包含错误处理示例 实际价值：确保AI应用在生产环境中的稳定性和可靠性，减少不确定性
3. 生产级可观测性与监控 - 系统稳定性保障#
- 部署生产就绪的可观测性和监控解决方案 实际价值：实时监控AI系统性能，及时发现并解决问题，保障用户体验
4. RAG系统增强 - 信息准确性提升#
- 构建具有混合搜索、重排序和事实核查管道的RAG系统 实际价值：显著提高AI应用输出内容的准确性和可靠性
5. 专业领域智能体 - 软件开发与数据分析#
- 实现用于软件开发和数据分析的专用智能体 实际价值：自动化专业领域任务，提高工作效率