本文以直白易懂的方式介绍了LangChain框架，帮助读者从零开始构建AI应用。内容涵盖LangChain的核心概念、环境搭建、Prompt提示词模板、Tools工具定义、Agent智能代理等关键知识点，并通过一个完整的智能助手项目案例，让读者深入了解LangChain的实际应用。适合想快速上手AI应用开发的学习者和开发者参考。

Image

LangChain 实战教程：从入门到实战

一份接地气的 LangChain 学习指南，带你从零开始构建 AI 应用

写在前面

🔥

这份教程不会堆砌概念，会用最直白的话告诉你 LangChain 是什么、怎么用。代码都是能跑的，直接抄就行。 适合学AI应用开发，或者后端转AI开发的想快速上手的同学。

适合谁看：

  • 听说过 ChatGPT，想自己做点 AI 应用的开发者
  • 被官方文档绕晕的同学
  • 想快速上手实战项目的人

Image

  1. LangChain 是什么？

一句话解释

LangChain = 让大模型能"动手干活"的框架

光靠 ChatGPT 只能聊天，但通过 LangChain，你可以让 AI：

🔥

  • 查天气、搜网页
  • 读文件、写代码
  • 调用你公司的内部 API
  • 自己决定该做什么

架构图

Image

核心能力

  1. 环境搭建

安装依赖

# 创建虚拟环境（推荐）
python -m venv langchain_env
source langchain_env/bin/activate  # Mac/Linux
# langchain_env/Scripts/activate   # Windows

# 安装 LangChain 核心包
pip install langchain langchain-core langchain-community

# 根据你用的模型安装对应包
pip install langchain-openai       # OpenAI
pip install langchain-anthropic    # Claude
pip install dashscope              # 通义千问

# 其他常用包
pip install python-dotenv          # 环境变量管理
pip install langgraph              # Agent 运行时（新版必装）

配置 API Key

创建 .env 文件：

# OpenAI
OPENAI_API_KEY=sk-xxx

# 或者通义千问
DASHSCOPE_API_KEY=sk-xxx

# Claude
ANTHROPIC_API_KEY=sk-xxx

验证安装

from dotenv import load_dotenv
import os

load_dotenv()

# 通义千问示例
from langchain_community.chat_models import ChatTongyi

llm = ChatTongyi(
    model="qwen-turbo",
    dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)

response = llm.invoke("你好，请用一句话介绍自己")
print(response.content)

跑通了就说明环境 OK！

  1. 核心概念速览

🔥

LangChain 的核心就四个东西，搞懂了就入门了：

概念地图

Image

四大核心

关系是这样的：

用户提问 → Prompt 格式化 → Agent 思考 → 调用 Tool → Model 生成回答 → 返回用户
  1. Prompt 提示词模板

🔥

提示词模板就是把"问问题"这件事标准化。不用每次都手写完整的提示词。

工作流程

Image

4.1 最简单的模板

from langchain_core.prompts import PromptTemplate

# 定义模板，用 {} 占位
template = PromptTemplate.from_template(
    "请用{language}语言介绍一下{topic}，不超过100字。"
)

# 填充变量
prompt = template.format(language="中文", topic="人工智能")
print(prompt)
# 输出: 请用中文语言介绍一下人工智能，不超过100字。

4.2 聊天模板（常用）

做聊天应用一般用这个，可以设置 system 和 user 角色：

from langchain_core.prompts import ChatPromptTemplate

# 定义多轮对话模板
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一位{role}，擅长用简洁易懂的方式解释复杂概念。"),
    ("human", "请解释一下：{concept}"),
])

# 生成消息列表
messages = chat_template.format_messages(
    role="物理学教授",
    concept="量子纠缠"
)

# 调用模型
response = llm.invoke(messages)
print(response.content)

4.3 Few-shot 示例模板

通过给几个例子，教 AI 按你想要的格式输出：

# 定义示例
examples = [
    {"input": "开心", "output": "我今天非常开心！"},
    {"input": "难过", "output": "我感到有些难过..."},
]

# 创建包含示例的模板
few_shot_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个情绪表达助手。"),
    ("human", "示例：/n情绪: 开心/n表达: 我今天非常开心！/n/n情绪: 难过/n表达: 我感到有些难过..."),
    ("human", "现在请表达这个情绪: {emotion}")
])

messages = few_shot_template.format_messages(emotion="兴奋")
response = llm.invoke(messages)

4.4 动态日期模板

有些变量想自动填充（比如当前日期）：

from datetime import datetime
from langchain_core.prompts import PromptTemplate

template = PromptTemplate(
    template="今天是{date}，请告诉我关于{topic}的最新消息。",
    input_variables=["topic"],
    partial_variables={
        "date": datetime.now().strftime("%Y年%m月%d日")  # 自动填充
    }
)

# 只需要传 topic
prompt = template.format(topic="AI发展")
  1. Tools 工具定义

工具就是让 AI 能调用的函数。定义好工具后，AI 会自己决定什么时候用、怎么用。

5.1 用装饰器定义（最简单）

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """
    获取城市的天气信息
    
    Args:
        city: 城市名称，如"北京"、"上海"
    """
    # 模拟天气数据（实际项目中调用天气 API）
    weather_data = {
        "北京": "晴天，25°C",
        "上海": "多云，22°C",
        "深圳": "小雨，28°C",
    }
    return weather_data.get(city, f"{city}的天气暂时无法获取")

# 测试工具
result = get_weather.invoke({"city": "北京"})
print(result)  # 输出: 晴天，25°C

# 查看工具信息
print(f"工具名称: {get_weather.name}")
print(f"工具描述: {get_weather.description}")
print(f"参数结构: {get_weather.args}")

重点：docstring 写清楚！ AI 就是靠这个描述来决定什么时候调用这个工具。

5.2 更复杂的工具

from typing import Optional

@tool
def search_database(query: str, category: Optional[str] = None) -> str:
    """
    在数据库中搜索信息
    
    Args:
        query: 搜索关键词
        category: 可选的分类过滤器，如"科技"、"健康"、"教育"
    """
    database = {
        "科技": ["人工智能正在改变世界", "5G技术的应用"],
        "健康": ["健康饮食的重要性", "运动与长寿的关系"],
        "教育": ["在线学习的趋势", "终身学习的价值"]
    }
    
    results = []
    
    if category and category in database:
        for item in database[category]:
            if query.lower() in item.lower():
                results.append(f"[{category}] {item}")
    else:
        for cat, items in database.items():
            for item in items:
                if query.lower() in item.lower():
                    results.append(f"[{cat}] {item}")
    
    if results:
        return "找到以下结果:/n" + "/n".join(results)
    else:
        return f"没有找到关于 '{query}' 的结果"

5.3 用类定义（需要更多控制时）

from langchain_core.tools import BaseTool
from pydantic import BaseModel, Field
from typing import Type

# 定义输入参数结构
class CalculatorInput(BaseModel):
    expression: str = Field(description="数学表达式，如 '2+2' 或 '10*5'")

class Calculator(BaseTool):
    name: str = "calculator"
    description: str = "执行数学计算"
    args_schema: Type[BaseModel] = CalculatorInput
    
    def _run(self, expression: str) -> str:
        """同步执行"""
        try:
            result = eval(expression)
            return f"计算结果: {expression} = {result}"
        except Exception as e:
            return f"计算错误: {str(e)}"
    
    async def _arun(self, expression: str) -> str:
        """异步执行（可选实现）"""
        return self._run(expression)

# 使用
calc = Calculator()
result = calc.invoke({"expression": "123 * 456"})
print(result)  # 计算结果: 123 * 456 = 56088

5.4 把工具绑定到模型

定义好工具后，需要"告诉"模型这些工具的存在：

# 创建工具列表
tools = [get_weather, search_database, Calculator()]

# 绑定到模型
llm_with_tools = llm.bind_tools(tools)

# 现在模型知道有这些工具可用了
response = llm_with_tools.invoke("北京今天天气如何？")

# 检查模型是否决定调用工具
if response.tool_calls:
    for tool_call in response.tool_calls:
        print(f"模型想调用: {tool_call['name']}")
        print(f"传入参数: {tool_call['args']}")
  1. Agent 智能代理

🔥

Agent 是 LangChain 最酷的部分。它不是按固定流程执行，而是自己思考、自己决定该干啥。

Agent 思考循环

6.1 LangChain 1.0+ 新版 Agent

新版用 create_agent，底层基于 LangGraph，更稳定：

from langchain.agents import create_agent
from langchain_core.tools import tool
from langchain_community.chat_models import ChatTongyi
import os

# 1. 初始化模型
llm = ChatTongyi(
    model="qwen-plus",
    temperature=0.7,
    dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY")
)

# 2. 定义工具
@tool
def get_weather(city: str) -> str:
    """获取城市天气信息"""
    weather_db = {
        "北京": "晴天，15-25度",
        "上海": "多云，18-28度",
        "深圳": "小雨，20-30度",
    }
    return weather_db.get(city, f"{city}的天气信息暂不可用")

@tool
def calculator(expression: str) -> str:
    """执行数学计算"""
    try:
        result = eval(expression)
        return f"计算结果: {expression} = {result}"
    except:
        return "计算错误"

@tool  
def search_knowledge(query: str) -> str:
    """搜索知识库"""
    knowledge = {
        "LangChain": "LangChain是一个用于开发LLM应用的框架，支持工具、代理、内存管理等功能。",
        "机器学习": "机器学习是AI的子集，让系统能从数据中自动学习和改进。",
    }
    for key, value in knowledge.items():
        if key in query:
            return value
    return f"未找到关于'{query}'的信息"

# 3. 创建 Agent
agent = create_agent(
    model=llm,
    tools=[get_weather, calculator, search_knowledge],
    system_prompt="你是一个专业的中文助手。仔细分析用户问题，选择合适的工具来回答。"
)

# 4. 使用 Agent
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样？"}]
})

# 获取回答
final_message = result["messages"][-1]
print(f"回答: {final_message.content}")

6.2 Agent 处理多个问题

test_queries = [
    "北京今天天气怎么样？",
    "给我讲讲什么是机器学习",
    "计算 123 * 456",
]

for query in test_queries:
    print(f"/n用户: {query}")
    
    result = agent.invoke({
        "messages": [{"role": "user", "content": query}]
    })
    
    final_message = result["messages"][-1]


print(f"助手: {final_message.content}")

6.3 带记忆的 Agent

让 Agent 记住对话历史：


from langgraph.checkpoint.memory import MemorySaver

# 创建记忆存储

checkpointer = MemorySaver()

# 创建带记忆的 Agent

agent = create_agent(
    model=llm,
    tools=[get_weather, calculator, search_knowledge],
    system_prompt="你是一个专业助手，能记住之前的对话。",
    checkpointer=checkpointer  # 启用记忆
)

# 会话配置（同一个 thread_id 共享记忆）

config = {"configurable": {"thread_id": "session_001"}}

# 第一轮对话

result1 = agent.invoke(
    {"messages": [{"role": "user", "content": "我叫小明"}]},
    config
)
print(result1["messages"][-1].content)

# 第二轮对话（Agent 会记得用户叫小明）

result2 = agent.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},
    config
)
print(result2["messages"][-1].content)  # 会回答"小明"

6.4 流式输出

让回答一个字一个字输出，体验更好：


# 流式调用

for chunk in agent.stream(
    {"messages": [{"role": "user", "content": "北京天气如何？"}]},
    config,
    stream_mode="values"
):
    messages = chunk.get("messages")
    if messages:
        last_message = messages[-1]
        if hasattr(last_message, "content") and last_message.content:
            print(last_message.content, end="", flush=True)
print()  # 换行
  1. 完整项目：全能智能助手

现在把前面学的串起来，做一个能干实事的智能助手。

7.1 项目结构


smart_assistant/
├── .env                     # API Key
├── main.py                  # 主程序
├── tools/                   # 工具定义
│   ├── __init__.py
│   ├── weather.py
│   ├── calculator.py
│   ├── translator.py
│   └── knowledge.py
└── requirements.txt

7.2 工具定义

tools/weather.py


from langchain_core.tools import tool
from datetime import datetime

@tool
def get_weather(city: str) -> str:
    """
    获取指定城市的实时天气信息
    

    Args:
        city: 城市名称，支持北京、上海、广州、深圳、杭州等
    """
    weather_database = {
        "北京": {"condition": "晴天", "temp": "15-25°C", "aqi": "优"},
        "上海": {"condition": "多云", "temp": "18-28°C", "aqi": "良"},
        "深圳": {"condition": "小雨", "temp": "22-30°C", "aqi": "优"},
        "杭州": {"condition": "阴天", "temp": "17-26°C", "aqi": "良"},
        "广州": {"condition": "晴天", "temp": "20-32°C", "aqi": "良"},
    }
    
    if city not in weather_database:
        return f"暂无{city}的天气数据，支持城市：北京、上海、深圳、杭州、广州"
    
    data = weather_database[city]
    return f"""

{city} 天气预报
━━━━━━━━━━━━━━━━
天气：{data['condition']}
温度：{data['temp']}
空气质量：{data['aqi']}
更新时间：{datetime.now().strftime("%H:%M")}
    """.strip()

tools/calculator.py


from langchain_core.tools import tool

@tool
def calculator(expression: str) -> str:
    """
    执行数学计算
    

    Args:
        expression: 数学表达式，如 "2+2"、"(10*5)+20"、"28"
    """
    try:
        # 安全检查
        allowed_chars = set('0123456789+-*/(). ')
        if not all(c in allowed_chars for c in expression.replace('', '')):
            return "表达式包含非法字符"
        
        result = eval(expression, {"__builtins__": {}}, {})
        
        if isinstance(result, float) and result.is_integer():
            result = int(result)
        
        return f"计算结果：{expression} = {result}"
    except ZeroDivisionError:
        return "错误：除数不能为零"
    except Exception as e:
        return f"计算错误：{str(e)}"


tools/translator.py



from langchain_core.tools import tool

@tool
def translate(text: str, target_language: str = "英文") -> str:
    """
    将中文文本翻译成其他语言（模拟）
    

    Args:
        text: 要翻译的中文文本
        target_language: 目标语言，支持"英文"、"日文"、"韩文"
    """
    translations = {
        "你好": {"英文": "Hello", "日文": "こんにちは", "韩文": "안녕하세요"},
        "谢谢": {"英文": "Thank you", "日文": "ありがとう", "韩文": "감사합니다"},
        "再见": {"英文": "Goodbye", "日文": "さようなら", "韩文": "안녕히 가세요"},
    }
    
    if text in translations and target_language in translations[text]:
        result = translations[text][target_language]
        return f"翻译结果：'{text}' → [{target_language}] {result}"
    
    return f"暂不支持'{text}'的{target_language}翻译"

7.3 主程序

main.py


import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_community.chat_models import ChatTongyi
from langgraph.checkpoint.memory import MemorySaver

# 导入工具

from tools.weather import get_weather
from tools.calculator import calculator
from tools.translator import translate

# 加载环境变量

load_dotenv()

# 系统提示词

SYSTEM_PROMPT = """
你是小智，一个全能智能助手。

你可以帮用户：
查询天气：查询中国主要城市的天气
数学计算：进行各种数学运算
文本翻译：将中文翻译成其他语言

工作原则：

1. **先理解用户意图，选择合适的工具**

2. **如果不确定，可以询问用户**

3. **回答简洁明了，有帮助**

"""

def create_assistant():
    """创建智能助手"""
    # 初始化模型
    llm = ChatTongyi(
        model="qwen-plus",
        temperature=0.7,
        dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY")
    )
    

    # 创建记忆
    checkpointer = MemorySaver()
    
    # 创建 Agent
    agent = create_agent(
        model=llm,
        tools=[get_weather, calculator, translate],
        system_prompt=SYSTEM_PROMPT,
        checkpointer=checkpointer
    )
    
    return agent

def main():
    """主函数"""
    print("=" * 50)
    print("      小智 - 全能智能助手 v1.0")
    print("=" * 50)
    print("输入 'quit' 退出/n")
    

    agent = create_assistant()
    config = {"configurable": {"thread_id": "main"}}
    
    while True:
        user_input = input("你: ").strip()
        
        if user_input.lower() in ['quit', '退出', 'exit']:
            print("再见！")
            break
        
        if not user_input:
            continue
        
        try:
            result = agent.invoke(
                {"messages": [{"role": "user", "content": user_input}]},
                config
            )
            
            response = result["messages"][-1].content
            print(f"小智: {response}/n")
            
        except Exception as e:
            print(f"出错了: {str(e)}/n")

if __name__ == "__main__":
    main()

7.4 运行效果


==================================================

      小智 - 全能智能助手 v1.0
==================================================

输入 'quit' 退出

你: 北京天气怎么样
小智: 
北京 天气预报
━━━━━━━━━━━━━━━━
天气：晴天
温度：15-25°C
空气质量：优
更新时间：14:30

你: 帮我算一下 125 * 88
小智: 计算结果：125 * 88 = 11000

你: 把"你好"翻译成日文
小智: 翻译结果：'你好' → [日文] こんにちは

你: quit
再见！
  1. 进阶技巧与最佳实践

8.1 工具描述要写好

AI 完全靠工具的 description 来决定什么时候调用。写得不清楚，它就不会用。

坏例子：


@tool
def func(x: str) -> str:
    """处理数据"""  # 太模糊了！
    pass

好例子：


@tool
def get_stock_price(symbol: str) -> str:
    """
    获取股票实时价格
    

    当用户询问某只股票的价格、涨跌情况时使用此工具。
    
    Args:
        symbol: 股票代码，如 "AAPL"（苹果）、"GOOGL"（谷歌）
    
    Returns:
        包含当前价格、涨跌幅的字符串
    """
    pass

8.2 错误处理要完善

工具可能会失败（网络错误、参数错误等），一定要有兜底：


@tool
def fetch_data(url: str) -> str:
    """从URL获取数据"""
    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        return response.text
    except requests.Timeout:
        return "请求超时，请稍后重试"
    except requests.RequestException as e:
        return f"请求失败：{str(e)}"
    except Exception as e:
        return f"未知错误：{str(e)}"

8.3 调整温度参数

  • temperature=0：输出最确定，适合事实查询
  • temperature=0.7：有一定创意，适合对话
  • temperature=1.0：输出多样，适合创作

8.4 使用 LangSmith 调试

遇到奇怪问题时，用 LangSmith 看看 Agent 到底在想什么：


import os

# 在代码最前面添加

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "你的LangSmith API Key"

然后去 smith.langchain.com 就能看到每一步的详细 trace。

8.5 控制迭代次数

防止 Agent 陷入死循环：


agent = create_agent(
    model=llm,
    tools=tools,
    # 其他选项
)

# 调用时限制最大步数

result = agent.invoke(
    {"messages": [...]},
    config,
    recursion_limit=10  # 最多10步
)

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

图片

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

图片

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型系统化学习路线

在这里插入图片描述

2、大模型学习书籍&文档

在这里插入图片描述

3、AI大模型最新行业报告

在这里插入图片描述

4、大模型项目实战&配套源码

img

5、大模型大厂面试真题

img

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

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
  • …

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 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】

在这里插入图片描述
# 人工智能 # 学习
Logo
AtomGit AI 社区

AtomGit AI 社区提供模型库、数据集、Agent、Token等资源

更多推荐

OpenAI Codex 完整下载 & 安装指南（2026最新版）

1. macOS 安装步骤官网下载镜像文件打开镜像，将「ChatGPT」拖拽至「应用程序」文件夹启动应用，使用ChatGPT账号登录（免费账号也能使用Codex基础代码能力）左侧切换标签：Codex，即可进入完整代码编程Agent界面2. Windows 安装两种方式方式A：微软商店（推荐小白）打开Microsoft Store，搜索点击获取安装，自动完成配置启动后登录账号，切换Codex模式方式

avatar AtomGit AI 社区
cover

AI可见度证据链工程：从实体建模到跨平台复测的技术方法

avatar AtomGit AI 社区

FAQ Schema 实操：给 AI 喂结构化答案（一篇讲透怎么用结构化数据，让机器直接读懂你的问答）

有。搜索富摘要是给「人看的结果页面装饰」，Google 出于体验考虑收紧了。结构化数据本身仍被引擎读取，用来理解你的内容关系——而生成式引擎（ChatGPT、豆包、元宝、Kimi 等）正在大量依赖这类明确结构来拼答案。所以判断标准要换：别问「Google 还展不展示」，要问「AI 拼答案时能不能少猜一点」。Schema 在这件事上仍然值钱。

avatar AtomGit AI 社区