langchain

大模型真好玩

LangChain DeepAgents 速通指南（十）—— DeepAgents Code 智能体服务核心源码解读上篇文章对基于 DeepAgents API 搭建的生产级代码助手智能体 DeepAgents Code 进行了源码导读，重点剖析了其客户端与服务端分离的设计模式。理解了整体架构之后，大家应该已经建立起一个宏观认知——但这个认知还不够落地，大家真正关心的是：一个生产级的智能体服务，它的服务端核心到底长什么样？

多工具调用只是开始：用 Regnexe 构建真正会反思的 Java Agent「Regnexe 实战系列」第 1 篇（共 10 篇），对应仓库 ExampleReadme01MultiToolTest。上一篇：00. 系列开篇。

大模型真好玩

LangChain DeepAgents 速通指南（九）—— 生产级智能体框架 DeepAgents Code 源码导读上篇文章中，笔者详细剖析了 DeepAgents 的流式输出机制。至此，DeepAgents 框架的核心特性与基本用法已基本覆盖完毕。

精读 LangChain 官方文档（二）Model 篇：把模型调用升级成工程化推理接口本文基于 LangChain Python 官方文档整理： Models：docs.langchain.com/oss/python/… Markdown 版本：docs.langchain.com/oss/python/… 对应开源文档编辑入口： github.com/langchain-a…

从 Tool 到 Skill——基于 LangChain 的服务端Skill实现Skill 是 Agent 中必不可少的一个模块。本文主要介绍在 Langchain 体系中如何实现 Skill 机制。为便于读者厘清来龙去脉，文中加入了对于 Tool 和 Skill 基础的介绍。不感兴趣者可直接跳至实现部分。

LangChain 和 LangGraph 构建的 Agent 项目模版Agent 后端地址：github.com/dxx/agent-t…Web 前端地址：github.com/dxx/agent-t…

LangGraph 入门指南Lang：Graph：核心公式：LangGraph = LLM 驱动 + 图结构编排 + 状态管理链是图的特例，图是链的超集，二者共同构成 LangChain 生态的"基础层 + 高级层"架构。

调查研究-186 LangChain 和 LangGraph 的区别：从快速构建 Agent 到生产级工作流编排摘要：LangChain 和 LangGraph 不是"谁替代谁"的关系，而是站在不同抽象层级解决不同问题。LangChain 更像 LLM 应用开发框架，负责模型、Prompt、工具、Retriever、Agent、Middleware 等组件抽象，让开发者快速把大模型能力接进应用。LangGraph 更像 Agent runtime / 工作流编排引擎，负责 State、Node、Edge、条件跳转、checkpoint、interrupt、人类介入、持久化和失败恢复。本文从工程选型视角拆解二者差异、

葫芦和十三

渐进发现｜代码库不是文档库大家好，我是十三！欢迎来到十三Tech。上一讲聊了语义压缩——进来了的信息怎么压才不丢工作记忆。这一讲处理的是前提失效的场景：面对陌生代码库、没看过的合同、几亿行的事故日志，Agent 不知道相关信息在哪，只能自己探索。

LangGraph 深度解析：从增强型 LLM 到生产级 Agent你用过 withStructuredOutput，也写过 bindTools，但一旦业务变复杂——多轮工具调用、条件分支、并行请求、人在回路——光靠链式调用就开始力不从心。LangGraph 就是为这个而生的。

第16章：AI数据分析与Text-to-SQL适合读者：有基础编程经验、希望了解如何用 AI 技术让非技术人员也能查询数据的开发者。前期回顾AI入门开发系列文章合集

《LangChain》成本、限流、缓存、降级：AI 应用上线要考虑的问题Demo 能跑，不代表生产能扛。上线之后，真正考验的是成本控制、故障恢复和工程治理。很多大模型项目，演示时很惊艳，上线后很狼狈。不是模型不行，而是工程没有兜住。用户一多，问题立刻暴露。

段一凡-华北理工大学

LangChain框架在高炉炼铁智能化领域的应用~系列文章09：工具调用Tool — 让AI学会操作高炉仪表盘专栏：《LangChain框架在高炉炼铁智能化领域的应用》前情回顾：上期我们构建了高炉Agent，有了"自主决策大脑" 本期重点：Tool —— Agent的"双手"，让AI真正"动手操作"

LangChain 学习之旅（五）：Agent 与工具调用实战前四篇我们让模型学会了“听话”、“输出结构化数据”、“记住上下文”、“查阅知识库”。但一个更大的瓶颈出现了：模型只能说不能做。如果用户说：“请帮我分析这段带有底噪的录音 test.wav。先做降噪分离，如果包含有效人声，就把人声转成文字；最后画出降噪前后的波形与频谱对比图，并生成一份 Markdown 分析报告。” 这种需要主动规划和动态决策流水线的任务，单纯的 RAG 根本无能为力。本篇将带你掌握大模型时代最激动人心的模式： Agent 与 MCP 实战。你将学会如何给大模型装上“手脚”，

基于LangChain 实现提示词链、工具调用与多轮对话记忆系统本文将基于阿里云 DashScope + qwen-max 模型，手把手带你用 LangChain 0.3 实现 LLMChain、Tools、Agents、Memory、LCEL 五大核心组件，帮助你快速理解 LangChain 的设计思想与实战用法。

从 Prompt 到 Agent：LangChain 究竟解决了什么问题直接调 OpenAI API 就够了，为什么还要 LangChain？简单场景确实不需要。但当应用从「一个 Prompt」长成「可用的 AI 系统」，复杂度会集中在组件协作上：Prompt 管理、结构化输出、Tool 接入、RAG、多步编排与调试。

从本地 Ollama 到线上多模型 Runtime：接入 DeepSeek / Qwen 的实战复盘本文基于 AI Mind 项目的真实实现整理。 GitHub：github.com/HWYD/ai-min… 对应代码版本：v0.2.1 线上链接：ai.hwyblog.cloud/ AI Mind 是一个持续迭代中的 Next.js AI Chat 项目。从最基础的本地聊天开始，逐步加入流式协议、工具调用、MCP、Skill 和 Agent 能力。

伊布拉西莫

LangChain LCEL源码深度剖析在使用 LangChain 开发应用时，prompt | llm | parser 这种管道式写法是 LCEL（LangChain Expression Language）最具代表性的用法，简洁优雅且可读性极强。很多开发者只会使用，但并不清楚背后 Python 运算符重载、Runnable 体系、RunnableSequence 串行执行的底层逻辑。

《LangChain 系列》Human-in-the-loop：什么时候必须让人工介入？前面几章我们已经把 Agent、Tool、LangGraph 都讲完了。现在要补上最关键的一环：人工介入。

所有智能体架构（3）：Planning（计划任务）原文：github.com/FareedKhan-…上一篇文章：所有智能体架构（2）：ReAct（推理 + 行动）