从零开始掌握 LangChain
系统化的 LangChain 中文学习路径，涵盖 Prompt、Chain、Agent、RAG 等核心概念。 还有一站式 AI 学习助手随时为你答疑。
MoE 混合专家
MoE 混合专家：用稀疏激活突破参数瓶颈
理解 Mixture of Experts 的核心思想：门控按需激活部分专家，把"模型总参数量"与"单次计算量"解耦。
开始学习 →MoE 架构细节：门控路由与负载均衡
深入 MoE 的三个关键技术点：Top-K 门控路由、负载均衡损失，以及共享专家等架构改良。
开始学习 →MoE 的训练与推理：显存换算力的经济学
MoE 推理快在哪、贵在哪：激活参数决定 FLOPs，总参数决定显存；训练侧的不稳定与并行策略。
开始学习 →主流 MoE 模型盘点与选型指南
纵览 Mixtral、DeepSeek、Qwen、GLM 等主流 MoE 模型的设计差异，学会用"总参数/激活参数/专家数"三要素读懂模型卡片。
开始学习 →MCP 协议
MCP 是什么：AI 应用的 USB-C 接口
认识 Model Context Protocol：为什么说它是 AI 应用的 USB-C，解决什么碎片化问题，生态现状如何。
开始学习 →MCP 架构：Host、Client、Server 与传输层
拆解 MCP 的三角色架构（Host/Client/Server）、两大传输方式（stdio / Streamable HTTP）与 JSON-RPC 消息机制。
开始学习 →三大原语：Tools、Resources 与 Prompts
MCP Server 能暴露什么：模型自主调用的 Tools、应用管理的 Resources、用户触发的 Prompts，以及三大服务端能力。
开始学习 →动手实战：写一个自己的 MCP Server
用 Python FastMCP 从零实现一个能查课程信息的 MCP Server，并接入 Claude Desktop 使用。
开始学习 →MCP 集成进你的 Agent：LangChain/LangGraph 桥接
用 langchain-mcp-adapters 把 MCP 工具加载进 LangChain/LangGraph，让自己的 Agent 一次性接入整个生态。
开始学习 →MCP 安全与生产实践
接入第三方工具等于打开信任边界：工具中毒、提示注入、混淆代理与生产部署的防御清单。
开始学习 →精通之路：MCP 生态与选型决策
纵览 MCP 工具生态与协议演进，掌握"何时用 MCP、何时原生集成"的决策框架，完成毕业项目规划。
开始学习 →在线开发台：在浏览器里调试 MCP Server
用本站内置的「MCP 在线开发台」实战：连接 Server、发现工具、填参调用——像 Postman 一样调试 MCP。
开始学习 →Harness 架构
Harness 是什么：模型与智能体之间的脚手架
理解 Agent Harness 的定义——把只会预测文本的模型包装成能持续干活的智能体的那层工程结构。
开始学习 →Agent Loop：Harness 的核心循环
拆解智能体 Harness 的心脏——感知-思考-行动循环，理解终止条件、错误恢复与循环预算的设计。
开始学习 →上下文工程：Harness 的记忆管理
上下文窗口是最稀缺资源。学习 Harness 如何做上下文装配、压缩与隔离，让智能体"长跑不忘事"。
开始学习 →权限与沙箱：Harness 的安全边界
能执行真实动作的智能体必须被关进笼子：权限分级、沙箱隔离、人机确认与提示注入防御。
开始学习 →评测 Harness：如何科学地衡量智能体好坏
从 lm-evaluation-harness 到 Agent 基准，建立"模型分≠智能体分"的评测观，为本站助手设计评测方案。
开始学习 →核心概念
Prompt Templates：提示词模板
学习用 ChatPromptTemplate 管理提示词，使用变量插值与 MessagesPlaceholder 复用模板。
开始学习 →Few-shot 示例与提示工程技巧
通过少量示例引导模型行为，掌握 few-shot 模板与常见提示工程模式。
开始学习 →Output Parsers：结构化输出
把模型的自由文本变成 JSON、Pydantic 对象等结构化数据，掌握 JsonOutputParser 与 with_structured_output。
开始学习 →Chains 与 LCEL：链式组合的艺术
掌握 LangChain Expression Language（LCEL），用管道符把组件组装成可流式、可并行的链。
开始学习 →Memory：让对话拥有记忆
理解对话状态管理：从手动维护消息列表到 ConversationTokenBufferMemory 等策略。
开始学习 →Callbacks 与调试：追踪执行过程
用 Callback 与 Verbose 模式观察链的每一步输入输出，为接入 LangSmith 打基础。
开始学习 →多链组合与动态路由
用 RunnableLambda、RunnableBranch 与条件边构建分支逻辑，让一个应用按输入动态选择不同处理链。
开始学习 →提示词版本管理与测试
把提示词当代码管理：集中存放、版本化、A/B 对比与回归测试。
开始学习 →OpenClaw 实战
OpenClaw 是什么：跑在你电脑上的全天候 AI 助手
认识火出圈的开源项目 OpenClaw（原 Clawdbot/Moltbot）：本地优先的个人 AI 助手，为什么它让大模型从"会聊"变成"会干活"。
开始学习 →架构解析：Gateway 网关与消息渠道
拆解 OpenClaw 的核心枢纽 Gateway：统一接入多渠道、WebSocket 多端协同与安全认证设计。
开始学习 →安装部署：十分钟跑通第一个助手
从安装 Gateway、配置模型到接入 Telegram，十分钟搭好一个能随时对话的个人助手。
开始学习 →Skills 技能系统：让助手自我进化
深入 OpenClaw 最出圈的设计——Skills：用 Markdown 教会 Agent 新本领，甚至让它自己给自己写技能。
开始学习 →内置工具与定时任务：从对话到自动化
盘点 OpenClaw 的内置工具箱与 Cron 定时任务，把助手从"随叫随到"升级为"主动服务"。
开始学习 →实战：打造你的全天候学习秘书
综合运用 Gateway、Skills 与 Cron，打造一个每天主动推送学习计划、能答疑、会跟踪进度的私人学习助手。
开始学习 →进阶应用
Agents：智能体工作原理
理解 Agent 的 ReAct 循环：思考 → 行动 → 观察，以及 create_react_agent 的使用。
开始学习 →Tool Calling：让模型调用工具
学习 @tool 装饰器定义工具，理解 bind_tools 与 ToolMessage 的交互协议。
开始学习 →RAG 检索增强生成：原理
理解 RAG 的核心思想：把知识放进提示词。掌握 Embedding 与语义检索的原理。
开始学习 →RAG 实战：文档加载、切分与向量化
用 DocumentLoaders、RecursiveCharacterTextSplitter 与向量库，端到端跑通一个 RAG 问答链。
开始学习 →Vector Stores：向量数据库选型与使用
对比主流向量数据库（FAISS、Chroma、Milvus、PGVector），掌握相似度检索与元数据过滤。
开始学习 →文档加载全攻略：PDF、网页与 Office
按文档类型选择合适的 Loader 与解析策略，避开扫描件、复杂表格等常见坑。
开始学习 →查询改写与 HyDE：提升检索命中率
用户提问和文档措辞往往不匹配。学习查询改写、多查询扩展与 HyDE 提升召回。
开始学习 →RAG 评估与优化：命中率、忠实度与幻觉检测
用检索命中率与答案忠实度量化 RAG 质量，建立"检索层 + 生成层"分开诊断的优化方法。
开始学习 →多轮对话 RAG：会话化检索
解决"它呢？""第二个呢？"这类指代问题：把对话历史融入检索查询（Conversational RAG）。
开始学习 →意图识别：构建任务型对话助手
让助手听懂用户"想做什么"而不是只回答"说了什么"：意图分类、槽位提取与智能体路由的工程实现。
开始学习 →智能体编排：从单 Agent 到多智能体协作
系统学习智能体编排：Plan-and-Execute、Supervisor、Handoff 等模式，理解多智能体如何分工协作。
开始学习 →AI 工具开发
AI 工具开发总览：什么时候需要造工具
判断"该不该做成工具"的决策框架，以及好工具的五条设计原则——工具质量直接决定 Agent 上限。
开始学习 →工具接口设计：从业务需求到参数 Schema
动手设计工具的"说明书"：参数类型、枚举、默认值、返回结构——让模型一次调对。
开始学习 →工具的工程质量：校验、超时、重试与可观察
工具是生产代码：输入校验、超时熔断、错误信息设计、幂等与留痕——让工具经得起模型"乱调"。
开始学习 →外部系统工具实战：数据库、API、浏览器与代码执行
四大类高频工具的实现要点与安全边界：SQL 只读、REST 封装、浏览器自动化、代码解释器。
开始学习 →工具评测与迭代：让工具越用越好
用数据驱动工具打磨：调用成功率、误选率、参数错误率三层指标，失败案例回填描述的迭代闭环。
开始学习 →LangGraph
LangGraph 是什么：把智能体画成一张图
LangGraph 入门第一课：为什么编排要"图化"，State/Node/Edge 三要素与第一个可运行的图。
开始学习 →State 与 Reducer：图的状态机基础
状态如何流动与合并：TypedDict/Pydantic 定义 State，Annotated Reducer 定义"更新而非覆盖"。
开始学习 →节点与边：条件路由与子图
掌握图的骨架搭建：add_node/add_edge、条件边的路由函数、多起点并行与子图组合。
开始学习 →ReAct Agent 与工具节点：create_react_agent 深入
拆解预置的 create_react_agent：工具循环的图结构、消息流解剖，以及何时该自己画图替代它。
开始学习 →Checkpointer 与 Human-in-the-loop：持久化与人工介入
图的"存档点"与"暂停键"：Checkpointer 按 thread 持久化状态，interrupt 实现审批流与断点续跑。
开始学习 →多智能体系统：Supervisor 与 Swarm 模式
从单 Agent 到团队：Supervisor 主管调度、Swarm 交接控制权两种多智能体拓扑的实现与取舍。
开始学习 →精通之路：生产化部署、流式与调试
走完最后一公里：多级流式输出、LangSmith 调试、LangGraph Platform 部署与生产检查清单。
开始学习 →Prompt Engineering
Prompt Engineering 总览：提示词的四段式解剖
系统认识提示工程：好提示词的通用解剖结构（角色/任务/约束/格式），以及迭代调优的正确心态。
开始学习 →Few-shot 深入：少样本示例的科学与艺术
超越入门：示例的选择、排序、格式一致性与动态检索，掌握 In-Context Learning 的工程细节。
开始学习 →CoT 思维链：让模型一步步思考
掌握 Chain-of-Thought 提示：Zero-shot/Few-shot CoT、自洽性投票，以及"何时该用、何时别用"的成本判断。
开始学习 →结构化提示：让输出稳定可解析
用格式模板、分隔符与防幻觉约束打造生产级提示词，从"能出结果"到"每次都出一样的结果"。
开始学习 →机器学习基础
机器学习是什么：从写规则到学规律
理解机器学习的本质——用数据学出规律代替手写规则，掌握三大学习范式与核心术语。
开始学习 →监督学习：分类与回归
掌握两大监督任务——分类与回归的原理、常见算法与选型思路，附 scikit-learn 最小示例。
开始学习 →模型评估：过拟合、交叉验证与指标
看懂准确率、精确率、召回率，理解过拟合的成因与交叉验证，建立正确的模型评估观。
开始学习 →神经网络与深度学习入门
理解神经元、激活函数、反向传播的核心思想，以及为什么深度学习能统治 NLP。
开始学习 →NLP 基础：从词向量到 Transformer
梳理 NLP 表示方法的进化史：One-Hot → 词向量 → RNN → Attention → Transformer，理解大模型的来路。
开始学习 →大模型是怎么炼成的：预训练、SFT 与 RLHF
拆解大语言模型训练三部曲——预训练、指令微调、人类反馈强化学习，理解模型能力与局限的来源。
开始学习 →Embedding 深入：语义检索的数学原理
深入 Embedding 的训练原理与相似度度量，理解余弦相似度、对比学习，打通 RAG 的底层逻辑。
开始学习 →微调 vs RAG vs 提示工程：如何选择
面对私有知识或特定行为需求，系统对比三种技术路线的成本、效果与适用场景，给出决策框架。
开始学习 →入门基础
LangChain 是什么？
LangChain 是目前最流行的 LLM 应用开发框架，本课介绍它解决什么问题、能做什么，以及它的整体心智模型。
开始学习 →环境搭建与第一个程序
手把手安装 Python 环境与 LangChain，配置模型 API Key，跑通第一个对话程序。
开始学习 →核心架构总览：LangChain 的模块地图
横向浏览 LangChain 的全部核心模块：Model I/O、Retrieval、Chains、Agents、Memory，建立全局认知。
开始学习 →Model I/O：与模型交互的三要素
理解 Prompt、LLM 与 Output Parser 三件套，掌握 ChatModel 的系统消息与角色概念。
开始学习 →Tokens、上下文窗口与成本
理解 token 是什么、上下文窗口如何限制对话长度，学会估算和控制 LLM 应用的调用成本。
开始学习 →流式输出与异步调用
掌握 stream 流式输出降低首字延迟，理解 ainvoke 异步调用提升并发吞吐。
开始学习 →RAG 进阶
文档切分深入：从固定长度到语义与父子切分
切分质量决定 RAG 上限。系统梳理递归切分、结构感知切分、语义切分与父子块（小查大回）策略。
开始学习 →多路召回：向量检索 + 关键词检索的混合方案
单路召回各有盲区。学习混合检索（Hybrid Search）：向量 + BM25 各补其短，用 RRF 融合两路结果。
开始学习 →重排（Rerank）：精排的最后一道关卡
理解"召回粗排 + 精排"两阶段架构：Cross-Encoder 为何比 Bi-Encoder 准、主流 Reranker 选型与延迟权衡。
开始学习 →端到端 RAG 调优实战：把 Hit Rate 从 62% 提到 91%
一条完整的调优复盘：按"评测定位 → 切分 → 混合召回 → 重排"的顺序逐层优化，每一步用数据说话。
开始学习 →生态与工具
LangSmith：可观测性与评估
用 LangSmith 做 trace 调试、数据集评测与线上监控，建立 LLM 应用的质量保障闭环。
开始学习 →LangGraph：有状态多智能体编排
认识 LangChain 生态的下一代编排框架 LangGraph：图结构、状态机与循环控制。
开始学习 →LangServe 与部署：把链变成服务
用 LangServe 把 LCEL 链一键暴露为 REST API（含流式），了解生产部署要点。
开始学习 →Transformer 架构
Transformer 全景：一张图看懂架构
自顶向下拆解 Transformer 的整体结构：输入嵌入、注意力层、前馈网络与残差连接，建立完整的架构心智模型。
开始学习 →自注意力机制：Q、K、V 详解
深入 Transformer 的心脏——自注意力：Query/Key/Value 的直觉与矩阵运算，手推一遍注意力分数。
开始学习 →多头注意力与位置编码
理解为什么需要"多头"并行关注不同子空间，以及各类位置编码（绝对/相对/RoPE）的设计动机。
开始学习 →Encoder 与 Decoder：从 BERT 到 GPT
区分三大架构流派——仅编码器、仅解码器、编码解码器，理解 BERT 与 GPT 的训练目标差异及各自适用场景。
开始学习 →Tokenizer：文本如何变成模型输入
理解 BPE 分词的工作原理，学会估算与优化 token 消耗——它直接决定你的 API 账单和上下文余量。
开始学习 →推理加速：KV Cache、GQA 与长上下文
理解大模型推理为什么慢、KV Cache 如何加速、GQA/MQA 如何省显存，以及流式输出首字延迟的来源。
开始学习 →LlamaIndex
LlamaIndex 是什么：连接私有数据与 LLM 的数据框架
认识与 LangChain 并肩的另一大框架：LlamaIndex 的定位、五阶段生命周期，以及它和 LangChain 的分工。
开始学习 →核心概念：Document、Node 与 IngestionPipeline
掌握 LlamaIndex 的数据原子：Document 与 Node 的关系，以及用 IngestionPipeline 编排切分、嵌入与存储。
开始学习 →索引全景：不止向量索引
VectorStoreIndex 之外还有 SummaryIndex、TreeIndex、KeywordTableIndex——不同索引适配不同查询形态。
开始学习 →查询引擎与聊天引擎：Query Engine vs Chat Engine
掌握两种查询入口的差异：单轮问答的 Query Engine 与带记忆多轮对话的 Chat Engine，以及响应合成模式。
开始学习 →检索进阶：Retriever、Postprocessor 与重排
组合 Retriever 接口、Node Postprocessor 与 Reranker，在 LlamaIndex 中复刻完整的检索优化流水线。
开始学习 →LlamaIndex 的 Agent 与 Workflows
让索引长出手脚：FunctionTool 包装查询引擎、ReActAgent 调度多索引，以及事件驱动的 Workflows。
开始学习 →精通之路：LlamaIndex vs LangChain 选型与综合实战
用一个企业知识库项目贯通全模块：完整代码走查 + 两框架选型决策表 + 继续精进的学习地图。
开始学习 →实战案例
实战：个人知识库问答机器人
综合运用文档加载、切分、向量检索与对话记忆，端到端实现一个可用的知识库问答应用。
开始学习 →实战：自动化周报生成器
用 Map-Reduce 链汇总多条工作记录生成结构化周报，掌握"分而治之"处理批量内容。
开始学习 →实战：客服工单智能分类与路由
用结构化输出做工单分类打标，再按类别路由到不同处理流程，构建可靠的生产级分类链。
开始学习 →实战：代码助手与 SQL 问答
让 LLM 理解表结构生成可执行 SQL，并安全地执行与解释结果 —— 自然语言查询数据库的完整方案。
开始学习 →实战：解析本站 AI 助手的编排架构
用本站的 AI 学习助手做活教材：拆解"意图识别 → 工具/知识检索 → 生成回答"流水线的设计与取舍。
开始学习 →