可运行 Demo

本目录为上一级 01-08 专题文档提供两类示例：

• 01_chat_basics.py 至 08_enterprise_rag.py：每章综合 Demo。
• 章节目录/概念.py：一次只讲一个概念的最小 Demo。

所有脚本均包含中文说明和 main() 入口。标记为“离线”的脚本不会调用模型或写入远端服务，适合先理解数据结构和执行流程。

一次性准备

本页只展示示例索引。示例源码位于 docs/public/langchain-examples/，博客构建不会执行 Python；如需运行，请回到原项目安装对应依赖。

macOS / Linux（zsh、bash）

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -e .
cp .env.example .env

Windows（PowerShell）

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -e .
Copy-Item .env.example .env

在 .env 中填写：

示例会调用外部模型服务。请使用你自己的密钥，不要把密钥或生产数据提交到仓库。

OPENAI_API_KEY=sk-...
OPENAI_MODEL=gpt-4o-mini
OPENAI_BASE_URL=https://api.openai.com/v1

从项目根目录运行任一脚本，例如：

python docs/public/langchain-examples/02_core/messages.py

综合 Demo

脚本	对应主题	运行条件	验证内容
01_chat_basics.py	生态分层	需要 OpenAI	Prompt -> Chat Model -> OutputParser
02_core_chain.py	langchain_core	需要 OpenAI	Message、Runnable、结构化输出
03_model_calling.py	模型调用	需要 OpenAI	invoke、stream、batch、Embedding
04_rag_pipeline.py	RAG	需要 OpenAI	文档、切分、向量检索、引用回答
05_agent_tools.py	Agent	需要 OpenAI	模型选择并调用工具
06_langgraph.py	LangGraph	需要 OpenAI	State、Node、Edge 与模型节点
07_langsmith.py	LangSmith	需要 OpenAI 和 LangSmith	包含模型调用的 Trace
08_enterprise_rag.py	企业 RAG	需要 OpenAI	权限过滤、引用和无命中兜底

单概念 Demo

01 生态分层

脚本	运行条件	概念
01_ecosystem/ecosystem_layers.py	离线	Prompt、Runnable、模型适配层和解析器之间的数据流

02 LangChain Core

脚本	运行条件	概念
02_core/messages.py	离线	System、Human、AI、Tool Message
02_core/prompts.py	离线	PromptTemplate 与 ChatPromptTemplate
02_core/runnables.py	离线	组合、invoke、batch、stream
02_core/tools.py	离线	Tool 名称、描述、参数 Schema 和调用
02_core/output_parsers.py	离线	字符串、JSON、Pydantic 解析与失败兜底

03 模型调用

脚本	运行条件	概念
03_models/chat_model.py	需要 OpenAI	Chat Model 输入与 AIMessage 输出
03_models/stream_and_batch.py	需要 OpenAI	流式和批量调用
03_models/embeddings.py	需要 OpenAI	文档向量与查询向量
03_models/model_selection.py	离线	参数记录与任务模型路由

04 RAG 基础链路

脚本	运行条件	概念
04_rag/documents.py	离线	正文与可追溯 Metadata
04_rag/loaders.py	离线	自定义 Markdown Loader
04_rag/text_splitters.py	离线	Chunk 大小、重叠和 Metadata 继承
04_rag/vector_store.py	离线	确定性 Embedding 与内存向量库
04_rag/retrievers.py	离线	top_k、MMR 与 Metadata 过滤
04_rag/context_building.py	离线	去重、排序和引用标签拼接

完整联网链路继续运行 04_rag_pipeline.py。

05 Agent 与工具

脚本	运行条件	概念
05_agents/tool_definition.py	离线	Tool 输入、返回和异常兜底
05_agents/tool_schema.py	离线	工具描述与参数 Schema
05_agents/agent_loop.py	离线	判断、调用、观察、结束和最大步骤
05_agents/agentic_rag.py	离线	查询改写、充分性判断和有限重试

需要观察真实模型工具调用时运行 05_agent_tools.py。

06 LangGraph

脚本	运行条件	概念
06_langgraph/state_node_edge.py	离线	State、Node、Edge
06_langgraph/conditional_edges.py	离线	显式条件分支
06_langgraph/bounded_loop.py	离线	带结束条件的有限循环
06_langgraph/checkpointer.py	离线	Checkpointer 与 thread_id 隔离
06_langgraph/human_in_the_loop.py	离线	interrupt() 与 Command(resume=...)
06_langgraph/enterprise_rag_graph.py	离线	多节点企业 RAG Graph

07 LangSmith

脚本	运行条件	概念
07_langsmith/trace.py	需要 LangSmith	Trace 输入、输出、标签和元数据
07_langsmith/dataset.py	默认离线；--write 写远端	Dataset 与批量 Examples
07_langsmith/evaluation.py	离线	检索、答案和引用指标
07_langsmith/feedback.py	默认离线；--write 写远端	用户反馈闭环
07_langsmith/monitoring_metrics.py	离线	成功率、P95、Token 与空检索比例

运行 07_langsmith/trace.py 前，需要配置 LANGSMITH_API_KEY 和 LANGSMITH_TRACING=true。远端写入示例必须显式追加参数：

python docs/public/langchain-examples/07_langsmith/dataset.py --write --name enterprise-rag-eval
python docs/public/langchain-examples/07_langsmith/feedback.py --write --trace-id <TRACE_ID>

08 企业 RAG 工程化

脚本	运行条件	概念
08_enterprise/access_control.py	离线	检索前权限过滤
08_enterprise/knowledge_updates.py	离线	版本、Chunk ID、删除旧 Chunk 和增量更新
08_enterprise/citations.py	离线	文件、章节、页码与 Chunk 引用
08_enterprise/cost_and_latency.py	离线	调用次数、Token、耗时和成本
08_enterprise/fallbacks.py	离线	权限、超时、工具、解析和空检索兜底

推荐运行顺序

先按章节运行离线单概念脚本，再运行同章综合脚本。这样可以先确认每个对象的输入输出，再观察真实模型链路，出现问题时也更容易定位到具体步骤。