LearnGraph.online

Appearance

AI 时代学 Python ​

从零基础到构建生产级 AI Agent

课程简介 ​

这是一本为 AI Agent 开发 量身定制的 Python 教材。不同于传统的 Python 教程，本课程将每个概念都与 AI Agent 开发紧密结合，特别是 LangChain 和 LangGraph 的实际应用。

课程特色 ​

  • ✅ 实战导向：理论 40% + 实践 60%
  • ✅ AI 场景：每个概念都关联 Agent 开发
  • ✅ 高标准：类型注解、文档字符串、最佳实践
  • ✅ 渐进式：从基础到生产级应用
  • ✅ 高难度挑战：培养解决复杂问题的能力

课程大纲 ​

Module 0: Python 核心基础 ​

从环境搭建到控制流，打下坚实基础。

  • 0.0 本章介绍
  • 0.1 Python 环境搭建与现代工具链
  • 0.2 变量、数据类型与 AI 数据处理
  • 0.3 控制流与决策逻辑
  • 0.4 小结和复习

Module 1: 函数与模块化 ​

掌握函数式编程和 LangChain 的核心模式。

  • 1.0 本章介绍
  • 1.1 函数基础：打造可复用的 Agent 组件
  • 1.2 高阶函数与函数式编程
  • 1.3 装饰器：LangChain 的核心模式
  • 1.4 模块与包管理
  • 1.5 实战：构建第一个 LangChain Tool
  • 1.6 小结和复习

Module 2: 数据结构与状态管理 ​

理解 LangGraph 的状态系统。

  • 2.0 本章介绍
  • 2.1 列表与元组：管理 Agent 的消息历史
  • 2.2 字典：Agent 状态的核心数据结构
  • 2.3 集合：数据去重与成员检查
  • 2.4 TypedDict 与 Pydantic：类型安全的状态管理
  • 2.5 实战：构建 LangGraph 状态系统
  • 2.6 小结和复习

Module 3: 面向对象编程 ​

学习 LangChain 的设计哲学。

  • 3.0 本章介绍
  • 3.1 类与对象：Agent 的抽象
  • 3.2 继承与多态：扩展 Agent 功能
  • 3.3 Protocol 与 ABC：LangChain 的设计模式
  • 3.4 数据类（dataclass）：简化 Agent 配置
  • 3.5 实战：实现自定义 LangChain Tool
  • 3.6 小结和复习

Module 4: 文件处理与数据持久化 ​

让 Agent 的记忆永久保存。

  • 4.0 本章介绍
  • 4.1 文件读写：加载 Agent 配置与提示词
  • 4.2 JSON 与 YAML：结构化数据处理
  • 4.3 路径管理（pathlib）：跨平台文件操作
  • 4.4 实战：构建 Agent 的记忆持久化
  • 4.5 小结和复习

Module 5: 异常处理与调试 ​

构建健壮的 Agent 系统。

  • 5.0 本章介绍
  • 5.1 异常处理：让 Agent 更健壮
  • 5.2 日志系统：追踪 Agent 行为
  • 5.3 调试技巧与工具
  • 5.4 小结和复习

Module 6: 异步编程基础 ​

让 Agent 并发执行任务。

  • 6.0 本章介绍
  • 6.1 异步编程概念：为什么 Agent 需要异步
  • 6.2 async/await：并发执行 Agent 任务
  • 6.3 异步上下文管理器
  • 6.4 实战：异步 LangGraph Agent
  • 6.5 小结和复习

Module 7: 环境管理与 API 集成 ​

连接真实世界的服务。

  • 7.0 本章介绍
  • 7.1 环境变量与密钥管理
  • 7.2 HTTP 请求（requests & httpx）
  • 7.3 调用 LLM API（OpenAI, Anthropic）
  • 7.4 实战：集成多个 API 到 Agent
  • 7.5 小结和复习

Module 9: 综合项目 ​

构建完整的生产级 AI Agent。

  • 9.1 本章介绍
  • 9.2 项目架构设计
  • 9.3 实现核心功能
  • 9.4 测试与部署
  • 9.5 小结和下一步

Module 10: AI/ML 基础与实战（选修） ​

从科学计算到大语言模型的完整技术栈。

注意：本章内容较为硬核，建议有一定基础后学习。想要系统深入学习 AI/ML，请参考本平台的其他专业课程。

  • 10.1 本章介绍
  • 10.2 科学计算基石：NumPy 与 Pandas
  • 10.3 机器学习实战：Scikit-Learn 完全指南
  • 10.4 深度学习框架：PyTorch 与 TensorFlow
  • 10.5 神经网络原理：从感知机到 Transformer
  • 10.6 大语言模型：Transformers 与现代 NLP
  • 10.7 综合实战：构建端到端 AI 应用
  • 10.8 本章小结和复习

学习建议 ​

前置要求 ​

  • 基本的计算机操作能力
  • 愿意投入时间动手实践
  • 不需要任何编程经验

学习方法 ​

  1. 不要跳过：按顺序学习
  2. 动手实践：亲自敲代码，不要复制粘贴
  3. 完成挑战：高难度挑战是成长的关键
  4. 阅读源码：学习 LangChain 的实现

学习时间 ​

  • Module 1-9（核心必修）：80-120 小时
  • Module 10（AI/ML 选修）：额外 40-80 小时
  • 完成所有挑战：额外 40-50 小时

配套资源 ​

下一步 ​

完成本课程后，继续学习：

关于作者 ​

王几行XING（Bryce Wang）

  • AI 研究者和实践者
  • LangChain/LangGraph 贡献者
  • 知乎：@王几行XING
  • 邮箱：brycew6m@gmail.com

版权声明 ​

本教材采用 MIT 许可证发布，内容版权归作者所有。

开始学习：Module 1: Python 核心基础

基于 MIT 许可证发布。内容版权归作者所有。

Copyright © 2025-present 王几行XING（Bryce Wang）