使用 LangChain 和 LangGraph 构建自主 AI 代理Build Autonomous AI Agents with LangChain & LangGraph

本课程是一门从零开始、步骤导向的实战型 AI 智能体（Agents）开发课程。它依托于快速演进的 Agentic AI 行业背景，专注于教授如何使用 Python、LangChain 和 LangGraph 核心技术栈，将传统聊天机器人升级为具备独立推理、工具调用与上下文记忆能力的自主系统。学员将系统性地掌握 ReAct 架构、自定义工具集成、基于状态的持久化记忆，以及关键的人机协作（审批）工作流。此外，课程直击工业界落地痛点，涵盖了多智能体协同系统的设计，并指导学员使用 FastAPI、Docker 和 Streamlit 将智能体部署为可交付的实际应用。

课程只需具备 Python 基础编程能力，无需任何大模型开发经验，即可在全手写代码的演练中，跨越从理论到商业级智能体部署的鸿沟。

Published 7/2026
MP4 | Video: h264, 1920×1080 | Audio: AAC, 44.1 KHz, 2 Ch
Language: English | Duration: 1h 36m | Size: 1.38 GB

从零开始，使用 LangChain、LangGraph、Python、工具、内存和多智能体架构构建智能 AI 代理。

您将学到：
使用 Python 和 LangChain 以及 LangGraph 构建智能 AI 代理。
使用 ReAct 架构创建具有内存、工具和推理能力的自主 AI 代理。
设计并实现多代理系统，使多个专业 AI 代理协作解决复杂任务。
将外部工具、API 和自定义 Python 函数集成到 AI 代理工作流程中。
在 LangGraph 中实现持久内存、状态管理和人机协作审批工作流程。
使用 FastAPI、Docker 和 Streamlit 部署 AI 代理，以应用于实际场景。

要求：
建议
具备 Python 编程基础知识。熟悉变量、函数、循环和类等基本编程概念。
无需 LangChain、LangGraph 或 AI 代理方面的经验——我们将循序渐进地教授所有内容。
对 API 和命令行工具有基本的了解会有帮助，但并非必需。
我们希望您有热情通过实践编码来学习和构建实际的 AI 代理应用程序。

课程简介：本课程涵盖人工智能的应用。
人工智能正从简单的聊天机器人迅速发展成为能够进行推理、使用工具、保持记忆并在极少人工干预下解决复杂任务的自主人工智能代理。随着企业越来越多地采用智能代理人工智能，掌握LangChain和LangGraph等框架的技能对于开发人员和人工智能爱好者来说变得极具价值。

在本实践课程中，你将学习如何使用Python、LangChain和LangGraph从零开始构建智能 AI 代理。我们将从代理 AI 的基础知识入手，探索大型语言模型、提示、记忆和工具如何协同工作以创建自主系统。之后，你将构建基于 LLM 的应用程序，添加对话记忆，集成外部工具，并创建用于自动化的自定义 Python 工具。

接下来，您将超越传统的AI链，探索LangGraph如何实现强大的基于图的工作流。通过实际的代码演示，您将使用ReAct架构构建自主代理，实现状态管理和持久内存，创建人机协作审批工作流，并开发包含主管代理和工作代理的协作式多代理系统。

最后，您将学习如何使用FastAPI部署 AI 代理，使用Docker将其容器化，并构建一个简单的Streamlit接口来与您的应用程序交互。

本课程注重实践应用而非理论讲解，通过循序渐进的演示，帮助您构建真实世界的AI应用。无论您是Python开发者、AI工程师、机器学习爱好者，还是希望进入智能体AI领域的软件开发者，本课程都将为您提供构建、定制和部署现代AI智能体所需的知识和实践经验，让您充满信心。

本课程面向
希望使用 LangChain 和 LangGraph 构建智能 AI 代理的 Python 开发人员；
对智能体 AI 和自主系统感兴趣的 AI 和机器学习爱好者；
希望将 LLM、工具、内存和多代理工作流集成到应用程序中的软件开发人员；
希望通过实践项目学习实用 AI 代理开发的学生和专业人士；
希望使用 FastAPI、Docker 和 Streamlit 部署生产就绪型 AI 代理的开发人员；以及
任何了解 Python 基础知识并希望从构建聊天机器人过渡到创建自主 AI 代理的人员。

Build intelligent AI agents using LangChain, LangGraph, Python, tools, memory, and multiagent architectures from scratch

What you’ll learn
Build intelligent AI agents using LangChain and LangGraph with Python.
Create autonomous AI agents with memory, tools, and reasoning capabilities using the ReAct architecture.
Design and implement multi-agent systems where specialized AI agents collaborate to solve complex tasks.
Integrate external tools, APIs, and custom Python functions into AI agent workflows.
Implement persistent memory, state management, and human-in-the-loop approval workflows in LangGraph.
Deploy AI agents using FastAPI, Docker, and Streamlit for real-world applications.

Requirements
Basic knowledge of Python programming is recommended.
Familiarity with fundamental programming concepts such as variables, functions, loops, and classes.
No prior experience with LangChain, LangGraph, or AI agents is required—everything is taught step by step.
Basic understanding of APIs and command-line tools is helpful but not mandatory.
Enthusiasm to learn and build real-world AI agent applications through hands-on coding.

Description This course contains the use of artificial intelligence.
Artificial Intelligence is rapidly evolving from simple chatbots to autonomous AI agents capable of reasoning, using tools, maintaining memory, and solving complex tasks with minimal human intervention. As businesses increasingly adopt Agentic AI, skills in frameworks likeLangChain andLangGraph have become highly valuable for developers and AI enthusiasts.

In this hands-on course, you’ll learn how to build intelligent AI agents from scratch usingPython,LangChain, andLangGraph. We’ll start with the fundamentals of Agentic AI, exploring how large language models, prompts, memory, and tools work together to create autonomous systems. You’ll then build LLM-powered applications, add conversational memory, integrate external tools, and create custom Python tools for automation.

Next, you’ll move beyond traditional AI chains and discover howLangGraph enables powerful graph-based workflows. Through practical coding demonstrations, you’ll build autonomous agents using the ReAct architecture, implement state management and persistent memory, create human-in-the-loop approval workflows, and develop collaborative multi-agent systems with supervisor and worker agents.

Finally, you’ll learn how to deploy your AI agents usingFastAPI, containerize them withDocker, and build a simpleStreamlit interface for interacting with your applications.

This course focuses on practical implementation rather than theory, with step-by-step demos that help you build real-world AI applications. Whether you’re a Python developer, AI engineer, machine learning enthusiast, or software developer looking to enter the world of Agentic AI, this course will give you the knowledge and hands-on experience needed to build, customize, and deploy modern AI agents with confidence.

Who this course is for
Python developers who want to build intelligent AI agents using LangChain and LangGraph.
AI and machine learning enthusiasts interested in Agentic AI and autonomous systems.
Software developers looking to integrate LLMs, tools, memory, and multi-agent workflows into their applications.
Students and professionals who want to learn practical AI agent development through hands-on projects.
Developers looking to deploy production-ready AI agents using FastAPI, Docker, and Streamlit.
Anyone who understands basic Python and wants to transition from building chatbots to creating autonomous AI agents.