langchain

【LangChain 1.2 实战（六）】工具调用 (Function Calling)模型初始化通过 init_llm.py 使用 LangChain 的 init_chat_model 初始化了 DeepSeek 模型，并成功进行了简单问答。代码：

LangChain之核心组件(少样本提示词)在写代码之前，先把涉及的"零件"搞清楚。作用：把一个带 {占位符} 的字符串模板，填上实际值后生成最终文本。它是 LangChain 中最基础的文本构建块，所有更复杂的模板都基于它扩展。

Python + LangChain 环境搭建完全指南：从零构建本地 RAG 知识库（附 Ollama 本地模型集成）摘要：本教程手把手带你在 Windows / Ubuntu 22.04 上搭建 LangChain 开发环境，并使用 LangChain + Ollama 本地大模型 + ChromaDB 向量数据库，从零构建一个可以"读懂"你的 PDF / TXT 文档的本地 RAG（检索增强生成）知识库系统。全程数据不上云，保护隐私，附完整可运行代码。

我用 LangChain 写了一个带“定速巡航”的向量化工具，发布到 PyPI 了！批量调用 Embedding API 怕限流？怕断点重算？我写了一个 PyPI 包，帮你自动控制速率、避免重复计算。

【LangGraph】流式处理入门当你构建的 AI Agent 需要处理复杂任务时，用户最讨厌的就是“等待” LangGraph提供的流式处理能力，让你能够将执行过程的中间状态、节点更新、甚至 LLM 生成的每一个 token 实时推送给前端本文是流式处理系列的第一篇，我们将介绍 LangGraph 的五种流模式，并通过一个天气查询助手的实例，带你掌握custom 和 updates 等模式的基本用法

大模型真好玩

LangChain DeepAgents 速通指南（八）—— DeepAgents流式输出详解上篇文章《LangChain DeepAgents 速通指南（七）—— DeepAgents使用Agent Skill》详细剖析了DeepAgents中的Skills机制。今天，笔者将补上这一系列中呼声极高的一环——流式输出（Streaming）。原本笔者打算将流式输出的内容安排在第七期，但根据粉丝们的建议并经过权衡，最终将实战价值更高的Skills优先放到了第七期。现在，是时候让Agent真正“活”起来了——通过流式输出，将每一步思考、每一次工具调用都实时呈现给用户。

AI Agent爆火，但你真的懂LangChain吗？——大模型智能体开发完全指南在2025年底至2026年初的全球人工智能技术浪潮中，一个显著的转折悄然发生：主流大模型的竞争焦点，正从单纯的“智能对话”转向“自主行动”。这不只是概念的升级，而是AI从被动“回答问题”的工具，进化成能够主动“完成任务”的同事。

LangChain不是“套壳”——它解决了什么实际问题在前面七篇文章中，我们拆解了Embedding、Transformer、幻觉、Prompt Engineering、RAG、会话管理和API调用。这些知识已经足够你从零开始搭建一个大模型应用。但你一定会遇到一个问题：

LangChain 动态模型中间件实战使用技巧在基于 LangChain、LangGraph 构建大模型对话应用、智能体应用、知识库问答系统时，开发者普遍面临一个核心痛点：单一大模型无法同时兼顾调用成本、响应速度、复杂逻辑推理能力。

拆解LangChain执行引擎[博文汇总-17篇]经过这些年的蓬勃发展，市面上已经涌现出了太多AI Agent的开发平台、框架和工具，但是毫无疑问，其中集大成者首推LangChain。利用LangChain开发的Agent可以看成是一个具有状态的、由Node和Edge组成的有环图。Agent的内部循环被 “展开” 并映射到了LangGraph的StateGraph体现的拓扑结构中，后者经过编译的结果实际上是一个Pregel对象，这是一个由Node和Channel构成的Actor模型。新版本的LangGraph采用全新的设计重写了Pregel，目前社区基

深海鱼在掘金

深入浅出 LangChain —— 第十一章：实战一智能客服系统📖 本章学习目标某电商公司每天有数千条客服咨询，传统的人工客服面临以下挑战：解决方案：构建智能客服 Agent，自动处理 80% 的常见问题。

深海鱼在掘金

深入浅出 LangChain —— 第十章：上下文工程与安全护栏📖 本章学习目标完成本章后，你将能够：Context Engineering（上下文工程）是 LangChain.js v1.x 引入的重要概念——不仅仅是写好 Prompt，而是系统性地管理 LLM 在任意时刻"看到什么"。

LangChain：结构化输出在之前的教程中，我们学会了调用聊天模型得到 AIMessage，其中的 content 是一个字符串。例如：

Deep Agents 框架-CLI上篇本文主要介绍一下Deep Agents CLI，不是核心知识。Deep Agents CLI 是一个基于 Deep Agents SDK 构建的开源终端编程助手。它具备持久化记忆，能在不同会话间保持上下文连贯，能学习项目的代码规范，支持自定义技能，并且在执行代码时还设有审批控制机制。

别再把 AI 聊天做成纯文本：从 agui 这个前后端项目，拆解“可感知工具调用”的流式 AI UI大多数 AI 聊天 demo，一开始都长得差不多：一个输入框，一个后端接口，一段流式输出，前端把 token 一点点打印到页面上。

LangChain：调用工具Ⅲ在绑定工具Ⅱ中，我们通过 model.bind_tools(tools) 得到了一个 Runnable 实例 model_with_tools。这个实例就像一个普通的聊天模型，可以接受消息并给出回复，但它多了一个能力：在需要的时候，回复中会包含工具调用的请求。

醉舞经阁半卷书1

深入掌握LangChainLangChain 是一个开源的代理工程平台，提供预构建的代理架构和与任何模型 / 工具的集成，使开发者能够快速构建能够适应生态系统变化的 AI 代理。截至 2026 年 5 月，最新稳定版本为v1.1.0，于 2025 年 12 月发布，标志着框架进入成熟稳定阶段，承诺直到 2.0 版本前不会有破坏性变更LangChain。

【LangGraph】运行时上下文（Runtime Context）在 LangGraph 中构建多租户 AI 应用时，我们经常需要传递一些环境信息—— 比如当前用户的 ID、语言偏好、模型提供商等这些信息不属于对话消息，也不是需要持久化的状态，但直接影响工作流的行为，LangGraph 提供了运行时上下文（Runtime Context）机制，让这类配置信息可以优雅地注入到图的每一个节点中

LangGraph 中 State、Node、Edge 是怎么协作的？上篇我们区分了 Function Call 和 Agent 工具调用，但那只是"调用方式"的区别，没解决更根本的问题——当一个复杂任务需要多步骤时，Agent 内部是怎么组织这些步骤的？

MATLAB代码顾问

AI Agent智能体开发实战：LangChain自动化工作流2025年是AI Agent（智能体）全面爆发的一年。从OpenAI的GPTs到各大厂的Agent平台，从AutoGPT到MetaGPT，AI Agent已经从一个概念词汇变成了真正的生产力工具。如果你还在纠结"Agent到底是什么"，或者想动手做一个属于自己的智能助手，这篇文章就是为你准备的。