langchain

我真会写代码

LangChain 从0入门：模型、消息、Prompt、Tools、记忆、Agent与LangSmith实战目录前言一、认识LangChain二、快速入门 & Agent原理Agent是什么？Agent循环流程（核心）

SuperAgent为了解决人类在管理多个并行 AI Agent 时的注意力瓶颈，DeepSeek 开源了下一代 Agent 方案 Super-agent。它通过引入“主管”角色的 Router 中间层，实现了系统的连续、主动、高效与持久运行。以下是 Super-agent 核心机制的演进脉络：介绍 Super-agent 背景随着单个 AI 模型能力的增强，人们开始同时开启多个 Agent 并行处理复杂任务以提升效率。然而，人类用户需要在不同窗口间来回切换、挨个推进，这种“Agent 并行、人类串行”的模式使得个人的注

langchain 短期记忆（状态）动态运行时上下文动态运行时上下文动态运行时上下文表示在单次运行期间可以演变的可变数据，并通过 LangGraph 状态对象进行管理。这包括对话历史、中间结果以及来自工具或 LLM 输出的值。在 LangGraph 中，状态对象在运行期间充当短期记忆。

在努力的前端小白

基于FastAPI+LangChain+LangGraph+Agent+多模态的AI Agent 有渔渔具网站不是套壳 Chat，是真正会意图路由、调用工具、查知识库、看图识装备、帮用户加购物车的 Agent。前端 Vue3，后端 FastAPI，AI 编排 LangGraph，多模态走 OpenAI Vision 协议—— 模型、提示词、知识库全部支持后台页面在线配置，改提示词不用动一行代码。

用户942181276134

两条线：LangGraph 如何把状态流和控制流拆开（AI 生成）lab_02 搭的是一张会绕圈的图：draft 先写个初稿，expand 每轮往里补一段，router 看长度够不够，不够就绕回去。我在 State 里定义了三个字段：

同一个 ReAct，两种手写方式：LangChain 文本协议 vs LangGraph 状态图两份代码解决同一个问题：让模型「思考 → 调工具 → 看结果 → 再思考」。一份用 prompt + 正则 + while 手写（test.py），一份用 StateGraph + ToolNode 手写（langgraph_demo.py）。

掘黄金的打工人

LangChain PromptTemplate 提示词模板在 LangChain 框架中，PromptTemplate 是最基础也最常用的组件之一，它的核心作用是把提示词从硬编码变成可配置的"模板" ，让开发者可以像填表一样动态生成给大模型的输入。以下从两个示例代码中梳理出它的主要能力。

日日大王学编程

deerflow-memory-design-blog本文基于 DeerFlow 源码（backend/packages/harness/deerflow/agents/memory/ 及其宿主中间件）梳理，所有结论都能在代码里找到落点。文中只标文件路径与函数/类名，不标行号——行号会随重构腐烂。

动态选择工具官方文档分为两部分工具已经注册了，可以动态过滤工具没注册，动态添加并且注册

云和数据.ChenGuang

深入解析 Python 的 dir()：从用法到 CPython 源码实现dir() 是 Python 内置函数里最容易被低估的一个。初学者通常只记住一句话：「dir(obj) 返回对象的所有属性和方法」。但真正写代码时，你会发现它远不止于此：

AI Agent 学习总结：从模型到 Harness最近我在系统学习 AI Agent。一开始，我对 Agent 的理解比较简单：大模型能够调用工具，就算是 Agent。

日日大王学编程

开源Agent项目记忆设计决策对比在 AI Agent 系统中，"记忆"是决定 Agent 能否从经验中学习、跨会话保持上下文、以及随时间变聪明的核心能力。本文档对比分析了七个主流开源 Agent 项目的记忆架构设计决策：LangGraph、CrewAI、Dify、Hermes Agent、OpenClaw、OpenHands 和 DeerFlow，梳理它们各自的技术选型、架构思路与取舍。

结构化输出with_structured_output（抽卡）这是用 Pydantic 定义一个结构化数据模型 Ticket，用来描述"工单"这类数据。逐部分拆解：

第五单元——第十六课：给书店助手加上网页界面这一课把终端聊天变成网页聊天，继续使用已有的：不重写业务工具，只增加一个网页入口。本课先做仅在你电脑上使用的演示版，不涉及公网部署或真实登录。

AI通识与基础AI核心是一种Transformer，这是一种神经网络架构，本质就是在模拟人类大脑神经元。将千千万万个神经元连接起来的，这就组成了神经元网络。

大模型学习20 大模型学习 - LangChain3 - Agents“Agents”（在AI语境下通常指 AI Agent，即“人工智能体”）并非一个单一的技术，而是一种以目标为导向、能够自主规划并执行多步骤任务的AI系统。它标志着AI从“被动回答问题的工具”向“主动完成任务的伙伴”的范式转变。

小易老师AI实战

LangChain Deep Agents：新一代增强型通用智能体框架Deep Agents 属于 LangChain 体系下对智能体（Agent）的高阶抽象封装，主打低改造成本、开箱即用的通用智能体运行能力。开发者无需大规模重构原有Agent业务逻辑，仅替换一行初始化方法，就能从原生 Agent 切换至增强版本：把 langchain.agents.create_agent 替换成 deepagents.create_deep_agent，即可启用一整套内置增强能力。

郝学胜-神的一滴

AI 编程智能体 20：技术栈选型与架构落地全攻略当下AI智能体早已不是高高在上的概念，而是落地各类业务的刚需能力。但很多开发者入门时总会陷入纠结：到底选什么框架？单智能体和多智能体怎么区分？低代码和源码开发该怎么取舍？

编程见习者

Deep Agents介绍Deep Agents 是一个 agent harness，它的核心机制和其他 Agent 框架完全一样——就是那个"调模型 → 模型请求工具 → 执行工具 → 结果塞回上下文 → 再调模型"的循环。虽然循环本身不新，但真实任务里光有一个裸循环是不够的——上下文会爆、工具结果会丢、长任务会迷路、危险操作没人拦。Deep Agents 把这些工程问题提前解决了，做成内置能力，而不是让每个使用者自己搭。四个内置能力包括：执行环境（Execution environment）、上下文管理（Context man

云和数据.ChenGuang

光哥说Python RAG 系统需要哪些评估指标：从检索到生成的全链路评测指南RAG（Retrieval-Augmented Generation，检索增强生成）把「检索」和「生成」两个环节串成了一条流水线。它的输出质量同时取决于：