langchain

给 7B 小模型当 Agent 框架：真机三轮排障，十条失败链逐个补强模型当执行者（Executor）时，框架的很多设计是感觉不到的——它自己会读任务、会用工具、会看结果、会如实汇报失败。换成在本机跑的 7B 量化模型后，这些「免费的能力」全部开始收费。这篇记录我们一个桌面 AI 应用的多智能体协作在小模型真机上的排障全过程：每一层以为修好的东西，都怎么在下一层以新形式重新坏掉。

打工仔折腾 AI

LangChain 工具调用实战：从 Tool 定义到 Agent 执行链路拆解很多人学 LangChain，第一个完整例子往往是 Agent：给几个 Tool，接上模型，一句 agent.invoke() 就出结果。跑通很快，但一旦工具报错、模型不调用工具、或者需要自己控制中间步骤，就会卡住。原因在于 Agent 把工具调用的完整链路包起来了，看不到里面发生了什么。

for_ever_love__

LangChain 上线部署：把链和 Agent 变成能对外服务的 API链在本地跑通只是第一步。要给别人用，得变成 HTTP 服务，还得处理流式、并发、超时、日志这几件事。

145.Agent-LangGraph基础概念和安装和简单代码示例摘要：本文介绍 LangGraph 的安装与核心概念，重点讲解 State（状态）、Node（节点）、Edge（边）和 Graph（流程图）四大组件，并通过一个完整的 Python 代码示例演示如何定义状态结构、创建节点、设置入口与边，最终编译并运行一个带状态管理的 Agent 工作流（StateGraph）。

LangChain 第6章 Agent 智能体核心：create_agent 统一入口与 ReAct 循环摘要：本文围绕 LangChain 1.0 的 Agent 智能体核心展开，重点讲解统一入口 create_agent 的用法、ReAct 循环（Thought–Action–Observation）的工作原理，以及工具绑定、递归限制、错误处理、LLM-as-judge、人工接管等生产级话题，并给出从最小可用到生产级的完整代码实战与面试高频考点。

LangChain 系统化学习入门目录一、前言二、5W2H 系统性解析 LangChain1、What：LangChain 是什么？2、Why：为什么要用 LangChain？

for_ever_love__

LangChain 多工具协作：一个 Agent 不够用时怎么办给一个 Agent 挂十几个工具，很快就会发现它开始乱选：该查天气的去查了数据库，该下单的去搜了网页。

for_ever_love__

LangChain 效果评测：没有评测，优化就是在瞎调改了切分参数，感觉"好像好了一点"；换了 embedding 模型，觉得"似乎更准了"。这些"感觉"是不可靠的，而且每一次改动都可能悄悄让另一类问题变差。

ChatPromptTemplate初始化的六种参数类型这里会将字符串理解为用户消息说明：消息对象中是否可以声明变量？不可以！

AI Agent 工程化开发实战（一）：Agent 开发的四个层次——积木、运行时、薄壳、套件本系列贯穿一条英文概念主线：Agent Runtime → Harness。本文先建立整个系列的认知地基：为什么我们讲「四个层次」，而不是你更常听到的「三个框架」。

Shadow（⊙ｏ⊙）

LangChain定义聊天模型基础问答目录定义聊天模型Page2Page3本地部署 LLM 演示（32）本文介绍LangChain中聊天模型的定义与使用，通过ChatOpenAI和ChatOllama实现本地及云端大模型调用。利用LCEL（LangChain Expression Language）的管道符|组合模型与解析器，实现消息流式处理与结果解析。支持配置化参数（如model、max_tokens），并通过configurable灵活切换模型与参数。结合Pydantic定义工具输入输出，提升可读性与安全性。最后演示本地部署LLM（如Ol

LangChain / LangGraph Memory 记忆体系技术文档（作用域判定 · 官方现版本实现 · 工程坑点）短期记忆 / 长期记忆的划分，与底层存储介质无关；判定标准只有业务作用域：是否支持跨会话（cross-session）复用。

早点睡觉好了

LangChain 源码入门 04：Runnable 如何统一调用、批处理、异步与流式接口最简模型是：输入 Input → 处理 → 输出 Output。如果每种组件都各自定义同步、异步、批量、流式的方法名，组合起来会很困难。Runnable 对这些执行方式提供统一词汇：

丨白色风车丨

LangChain Agent 从入门到实战：创建与调用参数全解析本文基于 LangChain v1 / LangGraph 的 Agent 体系，系统梳理 create_agent 创建时和 invoke 调用时的关键参数，帮你彻底搞懂"记忆"和"会话隔离"是怎么实现的。

技术思考问题17：上了LangChain框架就等于AI-Agent工程化吗？裸调 API 能跑通，一进多步编排就散架。我是老李，做过多套企业应用，也带过 LLM 应用从试点走向生产。最常遇到的不是模型能力不够，而是调用链一长，工程结构开始失控。

【零基础入门 LLM 开发 · Day 13】：LangChain 的对话记忆——Message 对象版原理一模一样：还是那个"历史列表 + 全量发送"的套路。区别只是——框架没变魔术，只是给了你更体面的写法。

LangChain Agent 中间件实战（上）：生命周期、状态、短路与工具包当 Agent 只有一次模型调用时，直接在调用前后写业务逻辑并不困难。真正麻烦的是 Agent 开始循环以后：模型可能决定调用工具，工具执行完又回到模型；一次用户请求可能产生多次模型调用；日志、统计、内容拦截和提示词增强也可能同时存在。

LangChain Agent 中间件实战（下）：DeepAgents文件权限、长期记忆与对话摘要上篇解决了 Agent 运行过程的扩展问题：生命周期日志、状态统计、请求改写、流程短路和工具包装。继续往下做，一个真正能长期使用的 Agent 还会遇到三个更具体的问题：

为 LangChain 和 CrewAI 构建自定义工具：将代理 IP 轮换封装至智能体函数中当您将 AI 智能体（Agents）从本地测试转向大规模生产数据检索时，初期的“蜜月期”通常会戛然而止。您可能已经构建了一个复杂的 CrewAI 研究团队或 LangChain RAG 流水线，但现实世界很快就会给予回击：您的智能体开始返回空字符串、403 Forbidden 错误，或者更糟糕的是——因为被服务器识别为机器人并投喂了“验证码”内容而产生幻觉。

for_ever_love__

LangChain 降级、重试与超时：让服务在模型抽风时还能用模型 API 会限流、会超时、会 5xx。你的服务不能跟着一起挂。这篇讲三层防护：重试 → 降级 → 超时，以及它们的组合顺序——顺序错了等于白做。