重磅！LangChain 官方发布 Agent IDE！！

1

LangChain 开发现状

LangChain 从应用开发框架出发，提供了一套代码级工具集，旨在降低 LLM 的开发难度，在过去一年中吸引了众多开发者，助力他们迅速打造 AI 大模型应用。然而，还有一群用户，他们希望门槛更低，专注于业务应用本身（包括非专业程序员），这一需求尚未得到充分满足。

这为基于 LangChain 构建的 Langflow、Flowise 等平台产品提供了生存空间，它们得以进一步发展端到端、低门槛的应用。国内厂商也纷纷看好低代码LLM 应用开发平台，以 Coze 和 Dify 为典型代表。得益于产品的精心设计和运营，这两款产品在国内外均积累了大量粉丝，展现了巨大的市场潜力。看起来，相较于深色主题的代码编辑器，更多用户倾向于使用可视化、直观的方式来开发自己的应用，这也给行业领导者 LangChain 带来了一定的压力。另一方面，细粒度、灵活的编排能力，即 Agentic workflow 的概念，正逐渐成为行业的共识。单纯依赖 LLM 的能力和固定的流程在现实中难以实现，这促使了包含大量复杂逻辑的应用流程的产生，如何开发与调试这些应用流程成为了新的挑战。

2

为什么要推出 Agent IDE？

LangChain，作为在智能代理（Agent）开发领域最早进行探索的先行者，也注意到了这一挑战。今年1月初，LangChain 就推出了 LangGraph 的实验版本，并于6月底发布了稳定版 0.10。LangGraph 被定位为 Agent 应用编排开发的工具，目的在于揭开黑盒，增强流程的可控性。与Dify等低代码可视化工具不同，LangGraph 采取了编程式的路径。这种方法既有优势也有劣势：其优势在于延续了 LangChain 用户群体的使用习惯，但其劣势在于面对复杂的流程逻辑时，开发和调试的直观性不足。

8月1日，为了克服这一难题，LangChain 推出了基于 LangGraph的 Agent集成开发环境（IDE）—— LangGraph Studio，它支持开发者以可视化的方式进行 Agent 的开发与调试。

LangGraph Studio 即 Agent IDE 就此诞生！

Github 地址：https://github.com/langchain-ai/langgraph-studio

不同于传统编程，LLM 应用开发的一个显著特点是迭代性。开发过程中需要不断地与 LLM 互动，并根据反馈来改进提示词或逻辑。因此，LangGraph Studio 在设计上特别考虑了这些需求。

LangGraph Studio 提供了一种开发大型语言模型（LLM）应用的新方法，通过提供一个专门的智能代理（Agent）集成开发环境（IDE），实现了对复杂代理应用的可视化、交互和调试。

通过可视化的图表和编辑状态的能力，您可以更好地理解代理工作流程并更快地进行迭代。LangGraph Studio 与 LangSmith 集成，使您能够与团队成员协作调试故障模式。

在测试版期间，LangGraph Studio 对所有 LangSmith 用户的任何计划层级的用户免费开放。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享]👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享👈

​