Phase 1 · Python / 环境速补（可跳过）

如果你已经熟悉 Python 与 LLM API 基础，可以跳过本章；需要时在目录里回看即可。

1. Python 速补 / Python Crash Course

变量与函数

name = "LangGraph"          # 字符串 / string
count = 3                   # 整数 / int
items = [1, 2, 3]           # 列表 / list

def greet(concept: str) -> str:
    return f"Hello, {concept}!"

print(greet("StateGraph"))

类与导入

from dataclasses import dataclass

@dataclass
class Node:
    name: str
    next: str | None = None

包与模块

• 一个目录里有 __init__.py 就是一个包（package），可以被 import。
• 本项目示例都放在 examples/ 包下，统一通过 examples.common.llm 引入模型。

2. 环境搭建 / Environment Setup

# 1. 创建并激活虚拟环境
python -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp .env.example .env             # 然后编辑 .env 选择 LLM_PROVIDER

3. LLM API 速览 / LLM API Primer

• Token：模型处理文本的最小单位（大致等于「词」或「字」的片段）。调用按 token 计费。
• Chat Completion：给模型一组「消息」（system 设定角色，user 是用户输入），模型返回回复。
• API Key 安全：key 永远不要写进代码或提交到 Git；把它放进 .env（已被 .gitignore 忽略），运行时读取。

# LangChain 中最常见的调用形态：prompt | model
chain = prompt | model
result = chain.invoke({"concept": "状态图"})

下一步：写你的第一个 Chain →