langchain

LangChain 应用开发（十四）：Agent 上下文与记忆机制目录一、为什么 Agent 需要上下文与记忆1. 手动保存到 Memory 自动化二、Context、State 与 Memory

LangChain.js 对话 Memory 实战：History 持久化、截断与摘要压缩一个聊天机器人能够回答当前问题，并不代表它真正具备“记忆”。例如用户先说“我叫李四，是一名 UI/UX 设计师”，下一轮再问“这对我的工作有什么帮助？”，模型若没有拿到前面的上下文，根本不知道“这”指什么。对话 Memory 的本质不是给模型增加永久大脑，而是在每次请求模型前，挑选并组织应该放进上下文窗口的历史消息。

梦在远山后

Python 中两种 Queue 的区别Python 中常见的 Queue 有两种：它们都提供了 put()、get() 等方法，但解决的问题不同。

【LangChain组件03】—— LangChain Agents 执行与状态：工作流程与状态管理实战上一篇讲完了"怎么配一个 Agent"——create_agent() 和提示词。这一篇深入 Agent 内部，理解它到底怎么跑起来：模型和工具之间怎么协作、Agent 什么时候停止、怎么观察每一步的执行过程，以及它维护的 AgentState 到底是什么结构、怎么自定义扩展。

Darling噜啦啦

LLM 记忆管理三剑客：截断、总结、检索，彻底搞懂 Agent 的 Memory 系统大模型是无状态的——每次对话都像第一次见面。要让 AI 记住你说过的话，就需要 Memory 系统。但简单地把所有对话塞进 prompt 会触发两个问题：上下文窗口爆了，Token 账单爆了。本文从 LangChain 的 InMemoryChatMessageHistory 出发，逐级深入三种存储方式（内存 / 文件 / 向量数据库）和三种管理策略（截断 / 总结 / 检索），附完整代码演示和 token 精确计算。建议收藏后动手实践。

六、LangChain——StrOutputParser和JsonOutputParser以第一次模型的输出结果，拿去第二次询问模型现在需要：chain = prompt | model | model，参与链的构建的组件完全符合要求，但运行会报错 ValueError: Invalid input type <class 'langchain_core.messages.ai.AIMessageChunk'>. Must be a PromptValue, str, or list of BaseMessages.

LangChain：提示词模板与少样本提示功能目录一、提示词模板1.1 概念1.2 用法1.2.1 字符串模板1.2.2 聊天消息模板1.2.3 消息占位符

AI也有记忆？LangChain Memory 管理指南你有没有遇到过这种情况：跟 AI 聊了几轮之后，它突然问你“你叫什么名字”——而这个问题你第一轮就告诉过它了。

审批系统接入 AI 润色后，如何拦截用户乱输入的文本？在审批系统中接入「一键 AI 润色」能力，本意是帮用户把申请内容写得更规范、更正式。但上线后很快会遇到一个现实问题：用户随手乱输的文本，根本不该进大模型。

大连好光景

【AI Agent案例开发项目01解读】项目地址：GitHub - Teeeeen/legal_rag: 面向中国法律领域的轻量化本地 RAG 系统，基于 LangChain、Qwen3、BGE-M3 与 ChromaDB，支持可插拔检索、重排与生成策略 · GitHub

未若君雅裁

自定义中间件：Node-style 与 Wrap-style 钩子全解析LangChain 内置的十几个中间件覆盖了大多数场景，很多人的第一反应是"够用了"。但只要真的把 Agent 推向生产环境，很快就会撞上一堵墙：内置中间件覆盖的是"通用需求"，而业务里最棘手的往往是"自有需求"。比如每个请求都要注入租户级的鉴权上下文；比如提示词要按用户身份、当前时间、所在渠道动态拼装，而不是写死一条 SystemMessage；再比如合规团队要求每一次工具调用都留下可追溯的审计日志，谁在什么时间用哪个工具、耗时多少、结果是否异常。这三类需求——鉴权注入、动态提示词、自定义审计埋点——翻

为 Agent 管好一张“上下文预算”：从数条数到数 token写 Agent 的人迟早会遇到这么一件事：模型开始“忘事”了——明明第一轮告诉过它的事，第五轮它就当没发生。于是你往 messages 数组里拼命塞历史，模型又突然报“上下文超长”。

把 Agent 的记忆写进文件：内存 vs 文件，两把钥匙搞定多会话上一篇我讲了 Agent 的 Memory 怎么在上下文预算里做截断。这一篇换一个方向，讲 Agent 的"记事本"到底存在哪。

Tool Calling的信任边界：从协议校验到执行沙箱的完整链路设计OpenClaude项目安全公告里有一句话被我用荧光笔划了三遍：“The model/agent is not a trusted principal.”这个项目的Bash工具输入Schema里暴露了一个叫dangerouslyDisableSandbox的参数。LLM可以在tool_use响应中把它设为true，配合默认的allowUnsandboxedCommands: true配置——一条提示注入就能让模型逃出沙箱，在宿主机上执行任意命令。

LangChain Memory 实战：用 InMemoryChatMessageHistory 管理多轮对话本文基于 ai/agent/memory/src/history.mjs 与 readme.md 整理。核心问题是：大模型没有天然的上下文记忆，如何让第二轮问题理解第一轮对话？答案是由应用保存消息，并在下一次调用时重新传入。本文代码和模型调用运行未验证。

LangChain AI应用开发框架的使用(3) - 聊天模型的绑定，聊天模型的结构化输出及使用场景目录一、聊天模型的绑定绑定工具bind_tools() 方法定义工具调用强制模型调用工具工具属性将工具输出传递给聊天模型

65岁退休Coder

LangGraph v1.2.9 节点容错策略 & 流式输出 & 持久化记忆管理当图中某个节点运行失败时会导致整个图的运行失败，容错策略就是从重试、超时、异常处理、缓存等角度提升节点运行的稳定性和性能

昭昭日月明

LangChain 生态：从链到代理，开发者需要掌握的三大核心LangChain 现在是一个覆盖了模型接入、流程编排、多智能体协作的完整 LLM 应用开发生态。它旗下有几十个软件包、集成平台和观测工具，很容易让人迷失在文档海洋，但对实际开发而言，真正构成日常工作主线的只有三个框架：

不拘一格的叶三少

LangChain LLM应用完整开发流程核心链路：需求分析 → 数据准备 → 向量库构建(RAG) → Prompt设计 → Chain/Agent编排 → 接入大模型 → 测试调优 → 部署上线 → 监控迭代分为普通问答链、RAG知识库、Agent智能代理三种典型场景。

未若君雅裁

上下文压缩双刃剑-Summarization与ContextEditing中间件实战设想一个真实场景：你给公司做了一个客服 Agent，上午上线，下午财务就来找你了——API 账单比预期高了一个数量级。你打开日志一看，问题很直观：会话进行到第五十轮时，每一次请求都要把前面四十九轮的完整历史原封不动地塞给模型。历史越滚越长，输入 token 像滚雪球一样越滚越大，哪怕你的模型上下文窗口有 128K，也架不住这种线性膨胀的消耗方式。