langchain

LangChain 持久化对话记忆：从入门到生产级实践大语言模型本身是无状态的，每次调用都是全新对话。本文带你从零实现 LangChain 对话记忆的持久化，覆盖 JSON、SQLite、Redis 三种方案；深入讲解 ConversationSummaryMemory 多轮对话摘要压缩；并介绍新版 LCEL 写法，帮你在实际项目中落地多轮对话。

【AI面试临阵磨枪】OpenClaw 与 LangChain、AutoGPT、MetaGPT 的本质区别是什么？① 实现机制：引入了 “共享池（Message Pool）” 和 “订阅机制”。② 深度点：它解决了多 Agent 协作中的“噪音”问题。由于每个 Agent 只关注与其职责相关的文档，有效降低了上下文的干扰。

第五章：工具系统与函数调用 —— 从定义到执行的完整链路大语言模型的核心能力是文本生成，但仅凭文本生成无法完成许多实际任务——查询数据库、调用 API、执行计算、操作文件系统。工具系统（Tool System）是连接 LLM "思考能力"与"行动能力"的桥梁。

Java码农也是农

Agent编排框架对比：LangGraph vs AutoGen vs CrewAI选框架这件事，真的太头疼了。年初我花了整整两周，把主流的Agent编排框架都试了一遍，最后选定了LangGraph。结果上周帮朋友做项目，他用AutoGen，两边一对比，发现差别还挺大的。

第14章高级 Agent：LangGraph 与状态机在前一章中，我们学习了 LangChain Agent 的基础用法——通过 initialize_agent 快速创建智能体，实现简单的多步骤推理与工具调用。但在复杂业务场景中，基础 Agent 逐渐暴露出局限性：无法灵活控制执行流程、难以实现多 Agent 协作、不能精准定义循环与分支逻辑，比如“调研→撰写→校对”的写作流程、“数据采集→分析→可视化”的数据分析流程，基础 Agent 很难实现结构化的流程管控。

第四章：模型集成生态 —— Partner 包架构与 init_chat_model 统一入口系列：深入 LangChain —— 从核心原理到生产实践前置阅读：第一章：LangChain 生态全景、第二章：LangChain Core 深度剖析、第三章：LangChain Classic vs. 新版 LangChain

老王熬夜敲代码

引入RAG目前的 Tools 节点里，我们只有一个 search_web（Tavily）。它就像是让 AI 去百度/谷歌查资料。

疯狂成瘾者

LangChain Middleware 技术解析：从“插槽机制”到 Agent 运行时控制根据 LangChain 官方文档，Middleware 是 LangChain agent 运行时里的一个“拦截层 / 扩展层”，用来在 agent 执行的各个阶段插入控制逻辑。官方给它的定位很明确：它让你可以更精细地控制 agent 内部发生的事情，比如日志追踪、prompt 改写、工具选择、输出格式、重试、fallback、限流、guardrails，以及 PII 检测。官方还强调，Middleware 是 create_agent 的核心特性之一，也是做 context engineering 的

LangChain、LangGraph入门本文主要是基于学习的datawhale关于langchain、langgraoh课程，记录的学习过程与个人看法。

【LangChain】LangChain 与 LangGraph 介绍🌈个人主页：秦jh__https://blog.csdn.net/qinjh_?spm=1010.2135.3001.5343 🔥 系列专栏：https://blog.csdn.net/qinjh_/category_13137010.html

从“乐高积木”到“建筑设计图”：LangChain与LangGraph框架初探笔记基于easy-langent/DataWhale进行总结，详细部分可以进入阅读学习，当前笔记是针对大模型应用

LangGraph 入门到精通0x02：基础 API (二)今天继续学习一些 LangGraph 常用到的基础 API。废话少说上干货。Graph 的创建可以使用看着更简洁的 .语法。

LangGraph设计与实现-第15章-Store 与长期记忆《LangGraph 设计与实现》完整目录Checkpoint 是 LangGraph 的"短期记忆"——它保存单个线程（thread）内的完整状态历史，支持时间旅行和中断恢复。但在许多 LLM 应用中，我们还需要一种"长期记忆"：跨线程、跨对话的持久化存储。例如，用户的偏好设置在所有对话中都应该可用；一个文档分析 Agent 应该记住之前处理过的文档；多个 Agent 之间需要共享知识库。

LangGraph设计与实现-第17章-多 Agent 模式实战《LangGraph 设计与实现》完整目录单个 Agent 能力有限——它只有一组工具、一种提示、一个执行循环。当任务复杂度上升时（如"帮我分析这家公司的财报，然后写一份投资建议书"），单个 Agent 要么因为工具太多导致 LLM 选择困难，要么因为系统提示过长影响推理质量。多 Agent 系统通过分工协作解决这个问题：不同的 Agent 负责不同的能力域，通过明确的通信机制协同完成复杂任务。

LangGraph设计与实现-第13章-流式输出与调试《LangGraph 设计与实现》完整目录在构建 LLM 应用时，流式输出（streaming）不仅是用户体验的刚需，更是生产系统的可观测性基石。用户期望看到 AI 回复的"打字机效果"，而开发者需要实时监控图执行的每一步——哪个节点正在运行、状态如何变化、中间结果是什么。LangGraph 通过七种 StreamMode 和精心设计的 StreamPart 类型体系，提供了从粗粒度到细粒度的完整流式输出方案。

LangGraph设计与实现-第14章-Runtime 与 Context《LangGraph 设计与实现》完整目录在构建 LLM 应用的图时，节点函数往往需要访问一些"运行时依赖"——当前用户的身份信息、数据库连接池、API 密钥、或者一个全局的向量存储。这些依赖既不属于图的状态（它们不随步骤变化），也不应该被硬编码在节点函数中（它们因调用而异）。传统做法是通过闭包或全局变量传递，但这在测试、多租户和类型安全方面都存在痛点。

LangGraph设计与实现-第18章-设计模式与架构决策《LangGraph 设计与实现》完整目录经过前面十七章的深入剖析，我们已经从源码层面理解了 LangGraph 的每一个核心组件——StateGraph 的编译流程、Channel 的类型体系、Pregel 的超步调度、Checkpoint 的持久化、Send 的动态并行、Runtime 的依赖注入、Store 的长期记忆、以及预构建的 Agent 组件。

LangGraph设计与实现-第11章-子图与嵌套《LangGraph 设计与实现》完整目录在前面的章节中，我们已经深入了解了单个图的全部运行机制：Channel 如何承载状态，Pregel 循环如何调度任务，Checkpoint 如何持久化状态，Command 如何控制流程。然而，当系统复杂度增长到一定程度时，单个扁平的图将变得难以维护。正如软件工程中函数调用和模块化的必要性，LangGraph 的子图（Subgraph）机制允许将一个复杂的图分解为可组合、可复用的子单元。

LangGraph设计与实现-第16章-预构建 Agent 组件《LangGraph 设计与实现》完整目录前面的章节深入剖析了 LangGraph 的底层基础设施——StateGraph、Channel、Pregel 调度、Checkpoint、Send、Runtime、Store。这些原语提供了极大的灵活性，但直接使用它们构建一个完整的 Agent 需要编写大量的样板代码：定义状态 schema、创建 ToolNode、编写条件边路由、处理错误和重试。

LangGraph设计与实现-第5章-图编译：从 StateGraph 到 CompiledStateGraph《LangGraph 设计与实现》完整目录当你调用 StateGraph.compile() 时，发生了什么？这个问题看似简单，答案却涉及 LangGraph 中最精密的一次结构变换。编译过程需要将开发者友好的、声明式的图定义——节点、边、条件分支——转化为 Pregel 执行引擎能够直接调度的内部表示。这不是一次简单的序列化，而是一次深度的语义翻译。