langchain

122.Agent-LangChain核心组件-中间件-动态提示词（dynamic_promapt）摘要：本文介绍 LangChain 中 @dynamic_prompt 注解的用法，讲解如何通过该注解将函数注册为动态提示词中间件，并利用 ModelRequest 类型获取运行时上下文与系统提示词，实现系统提示词的动态覆盖与拼接，最后通过完整代码示例演示动态提示词中间件的配置与调用流程。

从 LangChain 到 LangGraph：用「网状工作流」解锁多 Agent 协作的正确姿势单 Agent 是"一个人扛所有活"，多 Agent 是"一个团队各司其职"。当你发现 Prompt 越写越长、工具越堆越多、模型越来越迷糊时，就是时候上 LangGraph 了。

梦在远山后

从手写 Loop 到可恢复 Runtime：用 LangGraph、PostgreSQL Checkpoint 与 AG-UI 跑通中断恢复前两篇已经完成两件事：第一篇手写了最小 Agent Loop，第二篇把真实模型、工具调用和 AG-UI 流式事件接入 Electron。现在开始解决一个更接近生产的问题：当 Agent 需要等待确认，或者 Server 在执行过程中重启时，运行状态怎样保留下来，并从正确的位置继续。

langchain TS 基本用法入门https://bailian.console.aliyun.com/ 百炼为新用户提供北京地域专属的新人免费额度，用于体验模型调用。未认证用户免费额度用完后无法继续使用，需要完成认证并充值后方能继续按量付费。

小白勇闯网安圈

第5章流式输出与人工审核默认情况下，graph.invoke 要等整张图执行完才返回最终状态。但真实产品里，用户等不了 30 秒再看一个完整答案——他们要看到 token 一个个蹦出来、要看到「正在检索知识库…」的进度条、要在高风险操作前亲自点一次「确认」。

小白勇闯网安圈

第2章状态 State 详解State 是 LangGraph 中最重要的概念：它代表整个图的结果目标，以及图当中节点需要修改的数据目标。用 LangGraph 构建应用时，第一步就是定义 State。

LangChain.js Agent Memory 实战（下）：用 Milvus 构建可检索的长期记忆摘要：围绕检索式 Memory，完整实现对话向量化、Milvus 存储、相似度搜索、上下文注入与新记忆回写，并说明短期历史、摘要和长期语义记忆如何协同。

LangChain.js Agent Memory 实战（上）：从内存对话、文件持久化到截断与摘要大模型本身是无状态的。第一次请求时告诉模型“我叫李四”，第二次只问“我擅长什么”，如果第二次请求里没有再次携带第一轮内容，模型并不会天然记得“李四”是谁。我们平时感受到的连续对话，本质上是应用程序保存了历史消息，并在下一次调用模型时把这些消息重新放进上下文。

梦在远山后

Electron 与 FastAPI 如何完成流式 Agent 对话上一篇已经让模型完成“判断—调用工具—观察结果—继续判断”的最小循环。这一篇不改变 Agent 的思考方式，只给它接上一个真正可用的桌面入口：Electron 负责承载用户界面，FastAPI 负责运行 Agent，HTTP 负责命令，SSE 负责把执行过程持续推回 Desktop。

Jev：当 AI 不再生成 Token，而是直接做决策过去几年，我们似乎习惯了一件事情：只要系统里需要一点“智能”，就塞进去一个大模型。用户意图识别，用 LLM。

逆风飞翔的小叔

【AI智能体】Langchain 主流大模型调用与对话API使用详解目录一、前言二、Langchain 对话API调用2.1 模型调用基本说明2.2 invoke 使用2.2.1 invoke() 方法说明

如何通过 Deep Agents、LangChain 与 LangGraph 构建生产级智能体：从 Deep Agents Code 源码看 Agent 工程实最简单的 Agent（智能体）看起来非常简单：使用 LangChain 创建这样一个 Agent，甚至只需要几行代码：

垂直领域问答助手开发前段时间做了一个垂直领域的问答助手项目，从零把"数据合成→参数高效微调→量化压缩→本地部署"整条链路跑通了。网上碎片教程很多，但很多坑只有亲手踩过才知道，这里把完整方案和踩坑记录分享出来。基座模型用 Qwen3，显存 8G 就能玩。

120.Agent-LangChain核心组件-中间件-摘要中间件（SummarizationMiddleware）摘要：本文围绕 LangChain Agent 中间件机制展开，通过年会筹备的比喻说明中间件如何监控、管理、限制和兜底 Agent 的执行流程，并介绍 LangChain 提供的默认中间件清单。文章重点讲解摘要中间件（SummarizationMiddleware）的工作原理、触发条件（tokens、messages、fraction）与保留策略（keep），最后给出完整的 Python 代码示例，演示如何配置摘要中间件并验证其效果。

用户313467214354

Agent 开发学习笔记（七）：RAG: 从建库到检索到生成写到这里，前面六篇已经把 LangChain 的"零件"讲得差不多了：Model 篇讲了怎么和模型对话，Parser 篇讲了怎么把模型输出变成结构化数据，LCEL 篇讲了怎么用 | 把零件串起来。

啊吧怪不啊吧

LangChain之模型调用LangChain 是一个大模型应用开发框架，不是大模型本身。它的核心目标：帮你把 LLM（GPT、DeepSeek、通义千问等）串联上外部能力，快速搭建智能应用，不用从零写大量胶水代码。

LangChina-创建第一个Agent完成最精简的Python环境配置，配置阿里云百炼API Key，编写第一个Agent访问阿里云百炼控制台首页，获取API Key

LangChain核心组件-前置介绍原文链接：LangChain核心组件LangChain 由 Harrison Chase 创建于2022年10月，是用于开发智能体工程（Agent Engineering）的平台。

Agent核心能力详解在创建 Agent 时一次性配置，执行期间保持不变:方式一: 使用模型标识符字符串: 这是一种快捷方式，create_agent 内部会调用 init_chat_model 来初始化模型。你只能指定模型标识，虽然也能配置部分参数, 但是能配置的参数有限

119.Agent-LangChain核心组件-Runtime运行时摘要：本文介绍 LangChain 1.0 中 Runtime 运行时的核心概念与实战用法。Runtime 是由 LangGraph 提供的依赖注入容器和执行环境，负责统一调度临时信息、外部资源、会话记忆、流式输出、权限身份等，让 Agent 在执行任务时通过 Runtime 获取 Context 上下文、Store 存储对象和 State 状态。文章通过源码截图和完整代码示例，详细演示了如何创建自定义上下文、通过 invoke 的 context 参数传递数据、在工具中使用 ToolRuntime 注入