想学AI Agent？先从LangChain入手

最近 AI Agent 这个词特别火，很多同学都在问：想做 Agent 开发，从哪里开始？

可以先学 LangChain。

它是目前最适合入门 Agent 开发的框架，GitHub 91k+ star，文档完善，社区活跃，大厂实际在用。学会它，你就打通了 AI 应用开发的核心链路。

一、为什么 Agent 方向值得学？

先说背景。2026 年 AI 岗位招聘有个明显趋势：

纯算法岗（调模型、跑实验）越来越卷，要求越来越高
AI 应用工程师需求在暴增，门槛相对可控
大量企业开始用 Agent 做内部自动化，但会做的人还很少

Agent 开发的核心就是：让 AI 不只是回答问题，而是能自己规划步骤、调用工具、完成任务。

这个方向对大学生来说很友好：不需要深厚的数学基础，Python 会写、API 会调就能开始。

二、怎么学：三个阶段，6-8 周搞定

阶段一：搞懂 LangChain 核心概念（1-2 周）

pip install langchain langchain-openai

LangChain 的核心就三个东西：

1. Model：连接大模型

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o")
response = llm.invoke("解释一下什么是 RAG")
print(response.content)

2. Chain：把多步骤串起来

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template("用一句话总结：{topic}")
chain = prompt | llm
result = chain.invoke({"topic": "机器学习"})

3. Tool + Agent：让 AI 自己决定用什么工具

from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor

@tool
def search(query: str) -> str:
    """搜索网络上的最新信息"""
    return f"搜索结果：{query}"

agent = create_tool_calling_agent(llm, [search], prompt)
executor = AgentExecutor(agent=agent, tools=[search])
executor.invoke({"input": "帮我搜一下今天 AI 领域的新闻"})

这三步走完，你已经能写出一个基础 Agent 了。

阶段二：做一个完整的 RAG + Agent 项目（3-4 周）

光看代码没用，要做项目。推荐从 RAG 项目开始，因为：

企业最常用，面试最常问
相对容易做出效果，不容易翻车

推荐的入门项目：PDF 智能问答助手

from langchain_community.document_loaders import PyPDFLoader
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.chains import RetrievalQA

# 1. 加载文档
loader = PyPDFLoader("report.pdf")
docs = loader.load_and_split()

# 2. 向量化
vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())

# 3. 问答
qa = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3})
)
print(qa.invoke("这份报告的核心结论是什么？"))

做完基础版之后，可以加上 Agent 能力：让它不只能查文档，还能搜网络、做计算、生成图表。

进阶项目推荐（选一个做深）：

简历自动分析助手（上传简历 → AI 给出改进建议）
课程助教 Agent（读教材 + 出题 + 批改）
数据分析 Agent（上传 Excel → 自动生成分析报告）

阶段三：学 LangGraph，做多 Agent 系统（2 周）

LangGraph 是 LangChain 团队出的进阶框架，专门做复杂 Agent 工作流。

简单说：如果 LangChain 是做单个 Agent，LangGraph 就是让多个 Agent 分工合作——研究员查资料、写作者出内容、审核员把关，像一个小团队。

大厂现在很多 AI 项目都在用 LangGraph，懂这个在面试里加分明显。

三、做什么：简历项目怎么写才有说服力

很多同学的问题不是不会，而是不知道怎么把项目写得有说服力。

❌ 没竞争力的写法：

学习了 LangChain 框架，了解 RAG、Agent 相关原理

✅ 有说服力的写法：

基于 LangChain 开发企业知识库问答系统：支持 PDF/Word 文档导入，使用 FAISS 向量检索，结合 GPT-4o 生成回答，检索准确率 82%；用 Streamlit 部署上线，提供在线 Demo

区别在哪？数字 + 技术栈 + 可访问的 Demo。

项目一定要有 GitHub 仓库，README 写清楚：是什么、怎么用、技术架构图。有在线 Demo 更好，面试官会直接点开看。

四、怎么求职：投哪些岗位，说哪些话

适合投的方向

岗位类型	核心要求	代表公司
AI 应用工程师	LangChain + RAG + 部署	字节、阿里、腾讯
大模型工程师	LangChain + 微调 + 评估	百度、华为、AI 创业公司
AI 全栈工程师	LangChain + 前端 + 产品思维	中小 AI 公司、创业团队