保姆级教程！手把手用LangChain 1.0 + LangSmith Studio搞定Text2SQL，从入门到部署！

原创 于 2025-11-17 14:39:08 发布 · 759 阅读 · 17 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #人工智能 #科技 #架构 #chatgpt #重构

背景：告别命名混乱，拥抱工程化闭环

在 LangChain 生态早期，开发者常因以下问题感到困惑：

  • 命名高度相似但功能迥异：LangChain（开发框架）、LangGraph（状态图引擎）、LangSmith（开发平台）职责边界模糊；
  • 工具链割裂：调试、测试、部署、监控分散在不同界面，缺乏统一工作流；
  • Studio 定位不清：LangGraph Studio 与 LangSmith 功能重叠，新手难以区分。

为解决这些问题，LangChain 团队在 LangChain & LangGraph 1.0 版本发布前夕，启动了全面的品牌整合与重命名计划，目标是：

  • 明确各组件定位
  • 简化开发者认知路径
  • 构建“开发 → 调试 → 部署 → 观测 → 评估”的完整工程闭环

组件重命名对照表（V1.0 起生效）

原名称新名称功能归属说明
LangGraph PlatformLangSmith Deployment智能体（Agent）的一键部署服务
LangGraph StudioLangSmith Studio可视化调试与交互式开发环境
LangSmith（整体）三大核心服务： • LangSmith Observability • LangSmith Evaluation • LangSmith Deployment覆盖全生命周期的生产级支持平台

重要提示：自 LangChain 1.0 起，LangGraph Studio 已正式更名为 LangSmith Studio，所有相关文档与 CLI 均同步更新。

欢迎关注我的开源项目

运行效果预览

如果您这个项目感兴趣，欢迎「付费点赞」支持一下！

下方点击「喜欢作者」，金额随意，心意无价。 让我们在技术路上彼此赋能，少走弯路，高效落地！

付费后，请务必添加我的微信（微信号：weber812）并发送支付凭证，我将第一时间拉您进入专属「技术支持群」。

进群后您能获得哪些福利？完整代码具体请见下方说明！

LangSmith Studio：让大模型行为“看得见、调得动”

在 LLM 与智能体应用快速落地的今天，“能跑通”远不等于“可信赖”。
LangSmith Studio 正是 LangChain 生态中打通“黑盒”的关键工具——它将复杂的模型推理过程转化为可视化、可追溯、可复现的工程对象。

通过 Studio，你可以：

  • 实时查看 Agent 的每一步决策（Thought/Action/Observation）
  • 对比不同 Prompt 或配置下的运行轨迹
  • 手动干预或重试特定步骤
  • 快速定位幻觉、循环、超时等问题

Text2Sql场景实战调试效果

实战：本地启动 LangSmith Studio（无需云端依赖）

LangSmith Studio 支持 云模式 和 本地开发模式。本文以纯本地模式为例，适合开发调试阶段使用。

步骤 1：关闭云端追踪（可选）

若希望所有数据仅保留在本地，不在 .env 中上报到 LangSmith 云端，请创建 .env 文件并添加：

LANGSMITH_TRACING=false

此设置确保你的调试数据完全私有，适合敏感项目或离线开发。

步骤 2：安装 LangGraph CLI（含内存后端）

推荐使用 uv（超快 Python 包管理器）安装带内存存储支持的 CLI：

uv add "langgraph-cli[inmem]"

inmem extra 提供了无需数据库的轻量级 checkpoint 存储，非常适合本地开发。

步骤 3：配置 langgraph.json

{  "$schema": "https://langgra.ph/schema.json",  "dependencies": ["."],  "graphs": {    "text2sql": "agent.text2sql.analysis.graph:create_graph",    "excel": "agent.excel.excel_graph:create_excel_graph"  },  "env": ".env.dev"}

配置说明：

  • dependencies: [“.”]：表示依赖当前目录下的 requirements.txt 或 pyproject.toml
  • graphs：映射图 ID 到 Python 函数路径，函数需返回 CompiledStateGraph
  • env: 指定环境变量文件（如 .env.dev）

🔗 完整配置项参考：LangGraph CLI 官方文档 https://docs.langchain.com/langsmith/cli

步骤 4：启动本地开发服务器

在终端执行：

langgraph dev

默认将在 http://127.0.0.1:2024 启动服务，并自动打开浏览器。

若未自动跳转，可手动访问 LangSmith Studio 并连接本地服务：

https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

Studio 前端仍由 LangChain 云端提供，但所有数据交互均指向你的本地服务器，实现“前端云托管 + 后端本地运行”的混合模式。

小结

通过本次品牌整合，LangChain 1.0 不仅厘清了产品边界，更强化了从代码到生产的端到端体验。

LangSmith Studio 作为开发者的第一站，将成为你构建可靠智能体不可或缺的“驾驶舱”。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

LangChain入门指南
lht0909的博客
04-27 3万+
LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。官方文档：https://python.langchain.com/en/latest/
LangChain 使用教程（简单入门）
chamr_的博客
03-12 1462
Langchain 基础入门
轻松搭建第一个AI客服：基于LangChain与通义千问的实战
最新发布
xiaocheng121212的博客
11-12 804
本文介绍如何利用LangChain框架和通义千问大模型快速搭建AI客服系统。首先需要获取通义千问API Key作为访问凭证，然后通过导入必要工具包搭建基础框架。文章详细说明了创建大模型客户端的步骤、设计对话角色、调用大模型以及优化输出结果的方法，并提供了完整的代码示例。通过链式调用方式简化代码流程，最终实现一个简单的AI翻译助手功能。文章还指出了后续学习方向，包括添加多轮对话、接入业务系统等功能扩展建议，帮助开发者从零开始构建智能客服系统。
LangChain 中文入门教程
qq_56591814的博客
06-25 5万+
LangChain官方文档假如我们想要用openai api对一段文本进行总结，我们通常的做法就是直接发给 api 让他总结。但是如果文本超过了 api 最大的 token 限制就会报错。这时，我们一般会进行对文章进行分段，比如通过tiktoken计算并分割，然后将各段发送给 api 进行总结，最后将各段的总结再进行一个全部的总结。LangChain可以很好的帮我们处理这个过程，代码也很简单。
LangChain最详细教程之Chains
m0_74977182的博客
10-27 887
本文系统介绍了LangChain框架中Chains（链）的基本概念和使用方法。主要内容包括：1) Chains的基本概念，即通过组合不同模块化单元构建AI工作流；2) LCEL表达式语言及其基本构成（Prompt+Model+OutputParser）；3) Runnable协议的统一调用机制；4) 传统Chain的使用（LLMChain、顺序链等）；5) 基于LCEL构建的新型Chains（如create_sql_query_chain和create_stuff_documents_chain）。文章通过
速成秘籍！10分钟从新手到高手，LangChain快速上手指南！
bagell的博客
09-18 1553
在这种情况下，提示不仅包含有关内容的信息，还包含每个消息（其角色、其在列表中的位置等） 在这里，最常见的是ChatPromptTemplate是ChatMessageTemplate的列表。让我们看看它的作用！截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。在前面的示例中，我们传递给模型的文本包含了生成公司名称的指令。光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
langchain从入门到精通（非常详细），零基础入门到精通，看这一篇就够了
Java癫疯的博客
10-12 5064
langchain从入门到精通（非常详细），零基础入门到精通，看这一篇就够了
13 万字 C 语言从入门到精通保姆级教程2021 年版
热门推荐
李南江
06-07 61万+
13 万字C语言保姆级教程，从入门到精通。
0代码搞定ChatBI！Doris+DeepSeek+Dify保姆级搭建教程：从环境到可视化全流程，附可复用DSL（小白也能上手）
weixin_52610848的博客
10-03 901
本文介绍了如何用Doris+DeepSeek+Dify搭建零代码ChatBI系统，实现企业级对话式数据分析。方案通过Doris作为高性能实时数据仓库，DeepSeek大模型进行自然语言转SQL处理，Dify低代码平台完成流程编排，形成完整闭环。文章详细解析了三个组件的协作逻辑和优势，并提供了从环境部署到可视化输出的6步实操指南，特别强调了Text2SQL节点的关键配置和常见避坑点。该方案以低门槛、高落地性为特点，让技术小白也能快速搭建ChatBI系统，适用于中小企业数字化转型场景。
CMake保姆级教程！！！
07-04
C++，cmake，makefile，
人工智能DeepSeek本地部署与WebUI可视化：知识库数据投喂训练AI新手保姆级教程 图文详解使用工具 Ollama + AnythingLLM，知识库文件、模型推理及数据处理均在本地完成
05-26
亮点：①DeepSeek本地部署图文详解，新手保姆级教程；②使用工具 Ollama + AnythingLLM ，知识库文件、模型推理及数据处理均在本地完成，安全可控。 适合人群：对AI模型有兴趣的技术爱好者，尤其是希望在本地环境中...
微信聊天机器人保姆级部署视频教程+工具+源码.rar
11-10
微信聊天机器人保姆级部署视频教程+工具+源码微信聊天机器人保姆级部署视频教程+工具+源码微信聊天机器人保姆级部署视频教程+工具+源码微信聊天机器人保姆级部署视频教程+工具+源码微信聊天机器人保姆级部署视频教程...
通过类比,十分钟掌握LangChain的快速入门
潘永强_PandaPan的博客
12-01 1315
前文提到了熟悉LangChain的架构,熟悉后, 便可以动手写DEMO了,如何写DEMO呢?本文十分钟带你上手DEMO
【新手友好】LangChain中文入门：AI应用开发框架详细教程
2401_85154887的博客
07-02 1898
本文介绍了LangChain中文入门教程，涵盖核心概念与实战案例。教程包含Loader加载器、Document文档、Text Splitters文本分割、Vectorstores向量数据库等基础概念，并提供7个实战案例，如单次问答、Google搜索答案、超长文本总结、本地知识库问答机器人构建等。此外还包含多个应用示例，如结构化输出、网页爬取JSON数据、带记忆的对话机器人等。文章提供了官方文档链接和GitHub项目地址，适合开发者快速掌握LangChain框架的LLM应用开发能力。
最全面又最浅显易懂的Langchain快速上手教程（下）
2401_85373691的博客
06-11 1129
根据上述的理解，对LangChain核心模块的总结如下所示LCEL（LangChain Expression Language）是一种构建复杂链的简便方法，语法是使用或运算符自动创建Chain后，即可完成链式操作。这在背后的原理是python的__ror__魔术函数，比如就相当于。下面看一个简单的LCEL代码，按照传统的方式创建，然后再使用或运算符创建了一个Chain，它自动把这3个组件链接在了一起，这都是在底层实现的，对应用层十分友好！
LangChain与大型语言模型(LLMs)应用基础教程:角色定义
weixin_42608414的博客
04-02 1万+
在和让大型语言模型(LLM)如ChatGPT等对话时，为了要让LLM能准确回答我们的问题，我们应该在对话之前给LLM设定一个角色，这样当LLM知道自己的角色定位以后，它的回答将会符合自己的角色，而不会天马行空，自由发挥。
最全面又最浅显易懂的Langchain快速上手教程（上）
2401_85373691的博客
06-11 1638
Langchain是一个基于大语言模型的应用开发框架，随着社区的快速成长，它现在已不仅仅是一个开发框架，更多的是一个LLM应用的基建工程，提供从开发到上线整个闭环流程的全程支持。所以当提到Langchain的时候，需要知道它起初只是一个比较简单的LLM应用开发框架，只是后来社区成长后，出现了一系列Langchain命名的项目，它们共同组成了现在的Langchain社区。
LangChain入门指南，学习Langchain看这篇足够了
huang9604的博客
03-26 4459
LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。
langchain 0.3 教程
Debroon
03-27 2288
除了- 这个模块是用来做什么的？只保留最近的k条对话，适合限制上下文长度# 创建一个只保留最近2条对话的记忆window_memory = ConversationBufferWindowMemory(k=2, return_messages=True) # k参数指定保留的对话轮数# 保存对话window_memory.save_context({"input": "你好，我叫小明"}, {"output": "你好小明，有什么可以帮你的吗？"})
保姆级教程！手把手教你Cursor下载安装和配置
07-11
### 下载 Cursor Cursor 是一款为程序员量身打造的 AI 编程 IDE，支持多种操作系统，包括 Windows、Mac 和 Linux。以下是详细的下载步骤： 1. **访问官网** 打开浏览器，进入 [Cursor 官网](https://cursor.sh/)。 2. **选择系统版本** 点击页面上的 "DOWNLOAD" 按钮，会自动下载与你电脑系统匹配的安装包。如果你使用的是 Windows 系统，将下载 `.exe` 文件；如果是 macOS，则会下载 `.dmg` 文件；Linux 用户则会获得一个 `.deb` 或 `.tar.gz` 文件[^2]。 ### 安装 Cursor #### Windows 系统 1. **运行安装包** 双击下载的 `.exe` 文件，启动安装向导。 2. **选择安装路径** 根据提示选择安装目录，建议保持默认路径以避免不必要的麻烦。 3. **完成安装** 点击“Install”按钮开始安装，等待安装进度条完成即可。 #### macOS 系统 1. **解压文件** 双击下载的 `.dmg` 文件，打开后会看到 Cursor 应用图标。 2. **拖动到 Applications 文件夹** 将 Cursor 图标拖动至 “Applications” 文件夹，完成安装。 3. **启动编辑器** 打开 “Applications” 文件夹，双击 Cursor 图标启动编辑器[^3]。 #### Linux 系统 1. **解压文件** 使用终端或文件管理器解压 `.tar.gz` 文件，或者直接双击 `.deb` 文件进行安装。 2. **安装依赖项（如有）** 有些 Linux 发行版可能需要手动安装额外的依赖库，可以参考官方文档获取更多信息。 3. **启动应用** 解压完成后，可以在终端中运行 `./cursor` 来启动编辑器，或者创建桌面快捷方式以便后续使用。 ### 初始化配置 安装完成后，首次启动 Cursor 时需要进行一些基础设置： 1. **键盘布局选择** 若之前习惯使用某一编辑器（如 VS Code、Sublime Text 等），可在 “keyboard” 选项中进行选择，通过其中的一些快捷键可回归熟悉的操作模式；若没有特别习惯的，默认选择 “Default”[^4]。 2. **AI 回复语言设置** 在 “Language for AI” 选项中，输入中文即可设置 AI 的回复语言为中文，方便非英文用户更好地理解内容。 3. **代码库范围设置** “Codebase-wide” 默认处于打开状态，这意味着 AI 助手将在整个项目范围内提供帮助，而不是局限于当前文件。 4. **命令行集成** 在 “Add to Command Line” 中选择 “Install ‘cursor’”，这样就可以在终端中直接通过 `cursor` 命令打开项目。 ### 创建你的第一个 Cursor 项目文件 1. **新建项目** 启动 Cursor 后，点击 “File > New File” 或者使用快捷键 `Ctrl + N`（Windows/Linux）或 `Cmd + N`（macOS）来创建一个新的文件。 2. **保存项目** 点击 “File > Save As…” 或使用快捷键 `Ctrl + S`（Windows/Linux）或 `Cmd + S`（macOS），选择合适的目录并命名文件，例如 `main.py`。 3. **编写代码** 在新创建的文件中，你可以开始编写代码。Cursor 提供了强大的 AI 助手功能，可以通过自然语言生成代码片段、优化现有代码逻辑等。 4. **使用 AI 助手** 如果你需要帮助，可以按下 `Ctrl + K`（Windows/Linux）或 `Cmd + K`（macOS）调出 AI 助手面板，输入你的需求，AI 将为你生成相应的代码建议。 ### 示例：Python 项目 以下是一个简单的 Python 脚本示例，用于演示如何在 Cursor 中创建和运行代码： ```python # main.py def greet(name): print(f"Hello, {name}!") if __name__ == "__main__": greet("World") ``` 1. **运行脚本** 在 Cursor 中，点击右上角的运行按钮，或者在终端中执行 `python main.py` 来运行该脚本。 2. **调试代码** 如果需要调试，可以设置断点并在调试控制台中查看变量值、调用堆栈等信息。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值