从零基础到专家级：15个渐进式实战项目，掌握现代AI应用开发全栈技能
这是一个展示AI应用开发演进过程的完整教学项目，从基础的待办事项应用逐步发展到具有Function Calling、智能Agent和RAG向量数据库的现代AI系统。
本项目包含16个渐进式示例，完整覆盖现代AI应用开发技术栈：
| 阶段 | 示例 | 核心技术 | 难度 |
|---|---|---|---|
| 基础篇 | 01-04 | React + AI基础 | ⭐ |
| 进阶篇 | 05-08 | Function Calling | ⭐⭐ |
| 智能Agent篇 | 09-12 | ReAct + Agent循环 | ⭐⭐⭐ |
| RAG向量篇 | 13-15 | 向量检索 + 知识库 | ⭐⭐⭐⭐ |
| 企业级架构 | 16 | LangChain + 生产级系统 | ⭐⭐⭐⭐⭐ |
- 16-rag-agent-langchain: 🆕 LangChain企业级架构 - 模块化+工具链+生产就绪
- 15-rag-agent: RAG + Few-shot融合 - 结合向量检索和智能推理
- 14-rag-vector-remote: 云端RAG数据库 - Supabase + TensorFlow生产级方案
- 13-rag-doc-chunk: 本地RAG向量化 - LangChain + FAISS快速原型
- 12-agent-fewshot: Few-shot学习 - 多样化表达理解能力
- ReAct推理模式: 思考与行动结合，处理复杂多步骤任务
- 自主执行闭环: AI自主循环决策直到目标完成
- 思考过程可视化: Chain of Thought透明化展示AI决策过程
- Few-shot学习: 通过少量示例理解多样化用户表达
- 本地RAG (13): LangChain + FAISS，适合原型开发
- 云端RAG (14): Supabase + TensorFlow，生产级解决方案
- 融合Agent (15): RAG + Few-shot，智能知识助手
- 语义搜索: 智能理解中文语义，精准匹配相关内容
// 传统方式 (07)
JSON解析 → {"action": "add", "task": "学习Python"}
// Function Calling (08)
原生调用 → addTodo({task: "学习Python"})
// ReAct模式 (09)
思考 → "需要添加任务" → 执行 → addTodo()
// Agent循环 (10)
自主循环 → 执行 → 判断 → 继续直到完成
// RAG检索 (13-15)
语义查询 → 向量检索 → 智能匹配 → 精准回答# 🆕 最新：LangChain企业级智能助手 (强烈推荐)
cd examples/16-rag-agent-langchain
npm install && npm run system-diagnosis && npm run dev
# 🧠 RAG智能助手
cd examples/15-rag-agent # RAG + Few-shot融合
# 🤖 智能Agent体验
cd examples/12-agent-fewshot # Few-shot学习
cd examples/11-agent-cot # 思考过程可视化
cd examples/10-agent-loop # 自主执行闭环
# 🗄️ RAG向量数据库
cd examples/14-rag-vector-remote # 云端RAG
cd examples/13-rag-doc-chunk # 本地RAG
# ⭐ 基础功能
cd examples/08-function-calling # Function Calling入门# 1. 克隆项目
git clone <repository-url>
# 2. Agent示例 (08-12, 15)
cd examples/[example-name]
npm install
cp .env.example .env.local
# 编辑 .env.local 添加 DEEPSEEK_API_KEY=your_key
npm run dev
# 3. RAG示例 (13)
npm install && npm start
# 4. 云端RAG (14)
npm install
# 配置 .env 中的 Supabase 信息
npm run upload && npm run search- Next.js 14 + React 18 + TypeScript
- Vercel AI SDK - AI集成框架
- DeepSeek API - 大语言模型
- Zod - 类型安全验证
- LangChain + FAISS (本地向量存储)
- Supabase + pgvector (云端向量数据库)
- TensorFlow.js + HuggingFace (向量化模型)
- LangChain Framework - 模块化AI应用框架
- 分层架构设计 - Agent/Chain/Tool/Memory分离
- 完整工具链 - 诊断/测试/监控/维护工具
examples/
├── 01-todolist/ # 基础待办事项
├── 02-chatbot/ # AI聊天功能
├── 03-todolist-with-chatbot/ # 聊天+待办
├── 04-todolist-with-structured-ai/ # 结构化AI
├── 05-simple-instruction-execution/# 指令执行
├── 06-simple-context-memory/ # 上下文记忆
├── 07-enhanced-prompt/ # 增强提示
├── 08-function-calling/ # Function Calling ⭐
├── 09-react-function-calling/ # ReAct推理 ⭐⭐
├── 10-agent-loop/ # Agent循环 ⭐⭐⭐
├── 11-agent-cot/ # 思考链 ⭐⭐⭐
├── 12-agent-fewshot/ # Few-shot学习 ⭐⭐⭐⭐
├── 13-rag-doc-chunk/ # 本地RAG ⭐⭐⭐⭐⭐
├── 14-rag-vector-remote/ # 云端RAG ⭐⭐⭐⭐⭐⭐
├── 15-rag-agent/ # RAG智能助手
└── 16-rag-agent-langchain/ # LangChain企业级架构 🆕
| 技能水平 | 建议路径 | 学习重点 |
|---|---|---|
| 🔰 初学者 | 01→04→08 | AI应用基础 + Function Calling |
| ⭐ 有经验 | 08→09→10 | Agent推理和执行闭环 |
| 🚀 高级者 | 10→11→12 | CoT思考链和Few-shot学习 |
| 🎯 专家级 | 13→14→15 | RAG向量数据库和融合系统 |
| 🏆 架构师 | 16 | LangChain企业级架构设计 |
# 复合指令处理
用户: "添加学习Python、练习算法、写项目，然后显示列表"
AI: 自动执行多个addTodo() → 显示完整列表
# 自主循环执行
用户: "把所有未完成任务都完成掉"
AI: 自动循环 → 标记完成 → 直到全部完成
# 思考过程可视化
用户: "分析当前任务，完成最重要的三个"
AI: 🧠思考过程 → 📋执行计划 → ✅执行结果# 本地RAG检索
查询: "有什么高优先级的任务？"
系统: FAISS检索 → 语义匹配 → 快速响应
# 云端RAG搜索
查询: "我最近有什么重要任务要完成？"
系统: Supabase向量搜索 → 毫秒级响应
# RAG智能助手
查询: "记一下明天要做的事"
系统: 向量检索 + Few-shot推理 → 智能理解 → 精准回答
# LangChain企业级架构
查询: "给我来点轻松的安排"
系统: AgentManager → RAGRetriever → TaskChain → 完整CoT流程- AI应用演进: 从简单聊天到智能Agent系统
- Function Calling: 现代AI应用的标准实现方式
- ReAct模式: 推理与行动的智能结合
- Agent循环: 多轮自主决策执行机制
- 思考链: 结构化的AI思维过程展示
- Few-shot学习: 通过示例提升AI理解能力
- RAG向量化: 检索增强生成的完整实现
- 生产级部署: 从原型到生产的技术选型
- LangChain架构: 企业级模块化AI应用框架
- Function Calling机制 + ReAct推理模式
- Agent多轮执行闭环 + Chain of Thought
- Few-shot学习 + RAG向量检索
- 本地FAISS + 云端Supabase方案
- RAG + Agent融合智能助手
- LangChain企业级架构 + 完整工具链
- 多模态Function Calling
- 多Agent协作框架
- 实时向量更新机制
- 长期记忆管理系统
- 微服务化架构部署
MIT License | 🎯 从基础到专家，构建现代AI应用的完整学习路径