**

**

内容简介

本书超越了 LangChain 的基础文档，深入介绍了 LangGraph 接口、构建 AI 智能体的设计模式，以及在实际生产中使用的可扩展架构，专为构建生成式 AI 应用的 Python 开发者打造。

主要特色

架起从原型到生产系统的桥梁，掌握健壮的 LangGraph 智能体架构 * 应用企业级测试、可观测性与监控实践 * 构建专用于软件开发与数据分析的智能体 * 购买纸质书或 Kindle 版附赠免费 PDF eBook

图书描述

第二版专注于当今企业在 AI 应用中面临的最大挑战：从原型走向生产部署。内容全面更新，涵盖 LangChain 生态系统的最新进展，系统阐述现代 AI 系统在企业环境中的开发、部署与扩展方式。本版特别强调多智能体架构、LangGraph 流程与高级 RAG（检索增强生成）管道。 你将学习如何设计构建智能体系统的模式，实际实现多智能体架构以处理复杂任务。书中还涵盖诸如 Tree-of-Thoughts、结构化生成与智能体交接等推理技巧，并提供丰富的错误处理示例。针对测试、评估和部署的章节得到扩展，重点说明如何设计安全、合规的 AI 系统，并遵循负责任的开发原则。同时，RAG 章节也加入了混合检索、重排序与事实核查等方法，以提升输出的准确性。 无论你是扩展已有流程，还是从零设计多智能体系统，本书都将为你提供将 LLM 应用部署到生产环境所需的技术深度与实用指导。

你将学到的内容

使用 LangGraph 设计与实现多智能体系统 * 实施可在部署前发现问题的测试策略 * 为生产环境部署可观测性与监控方案 * 构建具备重排序能力的 agent 化 RAG 系统 * 使用 LangGraph 和 MCP 设计可扩展的生产级 AI 智能体 * 使用最新的 LLM 模型与平台，如 Google Gemini、Anthropic、Mistral、DeepSeek 和 OpenAI 的 o3-mini * 设计符合现代伦理实践的安全、合规 AI 系统

适合人群

本书适用于希望深入学习 LangChain 与 LangGraph 的开发者、研究人员等。它强调企业级部署模式，特别适合希望大规模实施 LLM 解决方案的工程团队。尽管第一版面向的是个人开发者，本版则扩展了内容，适用于负责企业级 LLM 战略的工程团队与决策者。读者需具备基本的 Python 编程能力，若对机器学习有一定了解，将更容易掌握本书内容。

目录

生成式 AI 的崛起：从语言模型到智能体 1. LangChain 入门 1. 使用 LangGraph 构建工作流 1. 基于 LangChain 构建智能 RAG 系统 1. 构建智能体 1. 高级应用与多智能体系统 1. 软件开发与数据分析智能体 1. 评估与测试 1. 可观测性与生产部署 1. LLM 应用的未来

关于作者

Ben Auffarth 是一位全栈数据科学家，拥有超过 15 年的从业经验。他拥有计算与认知神经科学博士学位，曾在 IBM 超算上运行脑模型，设计并分析大规模实验，构建日处理数十万交易的生产系统，并对大规模文本语料训练语言模型。他是 Data Science Speakers London 的联合创始人及前主席。 Leonid Kuligin 是 Google Cloud 的资深 AI 工程师，致力于生成式 AI 与传统机器学习解决方案（如需求预测与优化问题）。他是 LangChain 上 Google Cloud 集成模块的核心维护者之一，也是在慕尼黑工业大学（TUM）与路德维希-马克西米利安大学（LMU）合作开设的 CDTM 项目的客座讲师。在加入 Google 之前，他在德国、俄罗斯与美国的技术、金融和零售公司中，积累了超过 20 年的复杂 AI 系统构建经验。