langchain

国家不保护废物

Agent之Tool--手写cursor 最小版本近期比较爆火的产品大家都应该知道，像千问点奶茶，openClaw养虾等产品都火的一塌糊涂，这些产品都有一个共性，就是不仅仅只局限在之前的llm大模型只能生成的阶段了，而是不仅有脑子还长出了手和脚，可以切实地帮助我们去完成某个具体的任务，像发个邮件，点杯奶茶等等都可以直接通过这些产品去完成，而我们将具有手和脚还有记忆和可以对我们内部知识库进行查询与使用的产品统一叫做Agent,而这些也意味着我们当前ai的发展阶段正在从llm prompt engineering（DeepSeek）转向 Agentic En

MCP 系列（实战篇）：从可跑通到可上线的 MCP 开发指南前两篇我们已经讲清楚：这一篇只做一件事：把 MCP 真正跑起来，并尽量接近生产实践。你将看到：建议按下面顺序实践：

从零实现一个RAG问答应用--AI应用开发实践上周我把一本三国历史小说扔进了一个 RAG 系统，发现它居然能直接回答"诸葛亮第几次北伐在哪年"这类问题——这篇文章记录我是怎么做到的。

LangChain 教程 03｜快速开始：10 分钟创建第一个 Agent📖 本篇导读：这是 LangChain 系列教程的第 3 篇。本篇将带你用 10 行代码创建第一个智能 Agent，体验 LangChain 的核心魅力。读完预计需要 10 分钟。

LangGraph Thread 数据清理总结LangGraph 通过 Checkpointer 机制实现图状态的持久化。每次调用 invoke 时，若传入 config={"configurable": {"thread_id": "..."}} ，框架会在每个执行步骤（super-step）结束后自动生成一个 Checkpoint（状态快照），并以 thread 为维度进行组织管理。

研一下学AI---(大语言模型篇)AI产生智能的三个要点：模型，数据，算力（GPU），tranform为AI的大脑，利用复杂的神经网络进行训练

云和数据.ChenGuang

PromptTemplate和ChatPromptTemplate的区别是什么呢？我用最简单、最直白、一看就懂的方式给你讲清楚： PromptTemplate 和 ChatPromptTemplate 的真正区别

LangChain DeepAgents 完全指南Deep Agents 是一个开箱即用的 AI Agent 框架。想象一下，你要做一个 AI 助手，通常需要自己组装很多零件：prompt、工具、上下文管理…但 Deep Agents 帮你把这些都准备好了，你只需要几行代码，就能得到一个功能强大的 AI Agent。

不只是接个计算器：我是怎么把 Tool Calling 做成可扩展骨架的本文对应项目版本：v0.0.5在前一个版本里，我已经把项目的基础聊天链路搭起来了：到这一步，项目虽然已经具备了“本地大模型对话 + 流式输出 + 多轮上下文”的基础能力，但它本质上还是一个纯文本问答系统。

LangGraph 深度解析：Node、Edge 与 Channel 的对应机制及执行驱动原理理解 LangGraph 最重要的一个认知跳跃是：StateGraph 是给人看的声明式 DSL，Pregel 才是真正运行图的引擎。当你调用 .compile() 时，StateGraph 内部完成了一次完整的翻译：State 的每个键变成 Channel，Node 变成 PregelNode，Edge 变成 Channel 路由。没有 compile，就没有 super-step、没有 checkpoint、没有事务性保证。

西西弗Sisyphus

LangChain 动态 promptflyfish版本 Name: langchain Version: 1.2.13@dynamic_prompt 装饰器实现文末有源码

一篇文章讲明白：RAG + MCP + Skills + LangChain + LangGraph目录先定总纲：五个技术的核心分工（一句话记住）一、RAG：检索增强生成（大模型的“知识库”）1. 核心问题：大模型的“天生短板”

LangChain 消息与对话（Messages & Chat）LangChain 的 Messages & Chat 是构建对话式 AI、多轮聊天机器人、智能助手的核心模块，它统一了大模型的消息格式、对话历史管理、多角色交互，解决了原生大模型（如 GPT、文心一言、通义千问）消息格式不统一、对话历史难以维护的问题。

langchain实现Rag基础教程Rag（retrieval augemented generation）是一种将外部知识检索与大预言模型生成相结合的架构。

黑马大模型RAG与Agent智能体实战教程LangChain提示词——53、Agent智能体——Agent项目Agent创建（react_agent.py）教程：https://www.bilibili.com/video/BV1yjz5BLEoY代码：https://github.com/shangxiang0907/HeiMa-AI-LLM-RAG-Agent-Dev

云和数据.ChenGuang

langchain安装过程中的故障bug你之前装了旧版 langchain-community 0.3.0，它只支持 langchain 0.3.x，但你现在装了最新的 langchain 1.2.13，版本不兼容，所以报错。

zbdx不知名菜鸡

langchain与langgraph 有什么区别？LangChain 和 LangGraph 是由 LangChain 公司开发的开源框架，专门用于构建基于大语言模型（LLM）的应用程序。它们代表了从简单链式调用到复杂多智能体工作流的演进。

第5章输出解析：让模型返回结构化数据上一章我们掌握了Prompt Templates（提示模板），学会了如何构建可复用、标准化的提示，让模型理解任务要求。但在实际开发中，仅让模型返回自然语言是不够的——我们常常需要模型返回结构化数据（如列表、JSON、指定格式的对象），以便后续存储、处理、对接数据库或前端接口。

《2026 LangChain零基础入门：用AI应用框架快速搭建智能助手》第8课（完结篇）：小项目实战 + 部署 —— 构建网页版个人知识库 AI 助手大家好，我是链上杯子（CSDN：链上杯子）。失业一年了，天天想着怎么翻身。从第一课安装 LangChain 到现在，我们已经走过 Prompt 模板、Chains、Memory、Agent、Tools、RAG，一路把零散的调用拼成了能干活的小系统。今天最后一课，我们把前面所有内容整合成一个完整的网页版个人知识库 AI 助手：用户上传笔记/文档 → 构建 RAG → 通过网页聊天问答 → 支持多轮记忆 → 部署到免费云平台。第一次在浏览器里问自己笔记里的内容，看到 AI 精准引用原文回答，感觉这几个月没白折

LangChain Core 架构深度剖析与 LCEL 高阶实战大家好！在写大模型应用的时候，很多朋友都会遇到这样一个瓶颈：照着网上的教程写个简单的问答机器人没问题，但一旦业务变得复杂——比如需要多路分支判断、流式输出、或者并行调用多个工具时，代码就会变得像“意大利面条”一样难以维护，到处都是 if-else 和硬编码。