agents

162.Agent-LangGraph-检查点的作用摘要：本文围绕 LangGraph 的检查点机制展开，先说明检查点是在超级步中保存的工作流状态快照（StateSnapshot），并逐一解析 config、metadata、values、next、tasks 等关键属性；随后总结检查点在容错恢复、状态追踪与审计、有状态异步或长流程等场景中的作用；最后结合 State 全局状态对象，讲清节点局部状态合并到全局状态后才进行保存、以及工作流中断后如何加载最新检查点恢复执行的完整逻辑，并通过对比示例说明使用检查点后多轮对话内容能够持续保留。

160.Agent-LangGraph-自定义主管架构智能体摘要：本文围绕 LangGraph 的「主管—子 Agent」多智能体架构展开，讲解如何通过主管节点做任务规划与意图识别，把用户问题拆分为技术、销售、账户等多个子任务，再由条件边路由到对应的子图执行。文中结合完整 Python 代码，说明子图的标准 ReAct 结构、主管与子图之间不共享状态的数据交互方式、任务队列与循环闭环的调度机制，并给出跨领域多任务的测试示例，帮助读者快速搭建可循环协调多任务的多智能体系统。

158.Agent-LangGraph-子图（共享状态和不共享状态模式）摘要：本文围绕 LangGraph 中的子图（Subgraph）机制展开，先说明子图就像把工作流封装成可复用节点的思路，再总结复用代码、架构清晰、易于维护、团队协作和测试友好等优势，最后对比共享状态键模式与不共享状态模式两种实现方式，并给出可直接运行的 Python 代码示例，帮助读者在主图中灵活拆分和调用子图。

157.Agent-LangGraph-工具（实现ReAct Agent模式）摘要：本文围绕 LangChain 与 LangGraph 中的工具（Tool）机制展开，先介绍 LangChain 预构建工具的常见类别与获取方式，再说明如何用 @tool 注解定义工具并通过 invoke 调用；随后重点演示在 LangGraph 工作流中使用工具的完整流程，包括工具绑定模型、编写模型调用节点、使用 ToolNode 执行工具、通过条件边与 tools_condition 实现“模型思考—调用工具—回传结果”的循环，最终复现 LangChain 中 create_agent 的 ReA

155.Agent-LangGraph-节点级重试策略摘要：本文围绕 LangGraph 的节点级重试策略展开，先说明重试策略要解决的问题——工作流执行中节点异常（如数据库连接失败）会导致流程中断，引入重试后可在异常处理中重新尝试，使流程继续执行。随后介绍 RetryPolicy 类及其 retry_on 参数的作用，说明未设置 retry_on 时会回退到 default_retry_on 的默认异常列表，并通过效果图对比带异常拦截与不带异常拦截的运行差异，指出 runtime.execution_info.node_attempt 可用于实现更细致的重试

152.Agent-LangGraph-Command的参数摘要：本文深入解析 LangGraph 中 Command 的核心机制。Command 是 LangGraph 节点的标准返回格式，通过 update 更新状态、goto 动态指定下一跳节点，替代了传统条件边的静态分支逻辑。文章结合完整代码示例，展示了 Command 在意图识别路由（结合 goto 跳转）和并行任务分发（结合 Send 数组）两大场景下的应用，并对比了 Command 与条件边的适用场景：条件边适合流程固定的情况，而 Command 适合运行中动态产生流程的情况。

151.Agent-LangGraph-Send发送（Map-Reduce模式）摘要：本文讲解 LangGraph 中 Send 机制与 Map-Reduce 模式。普通边只能串行传递完整 State，无法并行；Send 可在运行时动态创建多个任务，向指定节点发送独立 State，实现并行处理。文章通过两个实例演示：一是相同节点并行执行（数字分发求平方和），二是多个节点并行执行（大模型动态规划任务分发），并附完整可运行代码与效果图。

147.Agent-LangGraph归并函数摘要：本文介绍LangGraph中的归并函数（Reducer）机制。在LangGraph中，节点返回的内容是局部更新，Reducer用于将多个节点的输出合并，并将局部更新写入全局State。如果没有归并函数，并行执行的多个节点同时修改同一字段时，后执行的节点会覆盖先执行的节点，导致数据丢失。通过声明Annotated类型的变量并指定写入方式（如add追加），可以实现对State中内容的追加而非覆盖。文章通过完整代码示例演示了如何使用Annotated和add归约函数，实现messages字段的追加更新，并

145.Agent-LangGraph基础概念和安装和简单代码示例摘要：本文介绍 LangGraph 的安装与核心概念，重点讲解 State（状态）、Node（节点）、Edge（边）和 Graph（流程图）四大组件，并通过一个完整的 Python 代码示例演示如何定义状态结构、创建节点、设置入口与边，最终编译并运行一个带状态管理的 Agent 工作流（StateGraph）。

142.Agent-多Agent框架-通过Skills实现多Agent摘要：本文介绍如何通过 LangChain 的 Skills 机制实现多 Agent 协作。核心思路是让 Agent 在调用大模型前，通过自定义中间件动态替换系统提示词，将技能内容注入上下文，并由大模型自主判断是否需要调用 load_skill 工具激活对应技能。文中以 SQL 查询助手为例，完整演示了技能定义、中间件实现、Agent 创建与测试运行的代码流程。

141.Agent-多Agent框架-编写并使用Skills摘要：本文基于 Tool Use（Function Calling）机制，实现了一个支持技能（Skill）按需加载的本地智能代理（Agent）。全文围绕「发现阶段」与「激活阶段」两条主线展开：发现阶段通过扫描 .agents/skills 目录下的 SKILL.md 文件，解析 YAML frontmatter 中的技能描述并组装为 Skill 对象；激活阶段则创建 Agent，将技能名称与描述注入系统提示词，并通过 load_skill 工具在对话中按需加载技能内容，实现渐进式技能调用。文章附带了 fr

140.Agent-多Agent框架-Agent执行Skills流程摘要：本文介绍 Agent 使用 Skills 的完整流程，共分为四个阶段：启动时的发现阶段、匹配时的激活阶段、运行时的执行阶段以及完成后的反馈阶段。发现阶段扫描 Skills 目录并生成索引，激活阶段通过语义匹配选出最相关的 Skill，执行阶段按业务逻辑生成步骤并处理代码或参考文档，反馈阶段收集结果并支持效果评估。

139.Agent-多Agent框架-Skills渐进式加载文档摘要：本文介绍了 Skills 的渐进式加载机制，说明其文档如何按需分段加载以避免上下文爆炸，并重点讲解了如何利用这一特性优化 YAML 元数据、Markdown 正文与资源文件的加载策略。

135.Agent-多Agent框架-LangChain多智能体（SubAgents子代理）摘要：本文深入解析 LangChain 中的 SubAgents（子代理）多智能体模式。开篇借助架构图直观呈现主 Agent 与子 Agent 之间的协作机制，继而系统梳理该模式的四大核心特征——集中化、工具化、无状态设计及强制上下文隔离，并逐一阐述六种适合引入子代理的典型场景。随后，文章详细演示如何通过 create_agent 创建子智能体，利用 agent_as_tool 将其封装为可复用的工具并挂载至主 Agent，最终以 Supervisor 统筹数学、英语、语文三位专家协同作业的完整 Pyth

134.Agent-多Agent框架-LangChain多智能体摘要：本文介绍 LangChain 多 Agent 的多种协作模式，包括 SubAgents 子代理、Handoffs 移交、Skills 技能、Router 路由器以及基于 LangGraph 的自定义工作流。这些模式可以组合使用，帮助开发者根据问题动态调度多个智能体协同完成任务。内容参考于：图灵AI大模型全栈

127.Agent-LangChain核心组件-模型输出后json修复内容参考于：图灵AI大模型全栈摘要：本文通过一个完整的 LangChain Agent 中间件实战案例，演示如何利用 before_agent 和 after_model 装饰器实现用户消息预处理与模型输出 JSON 格式的自动修复。文章详细讲解了 repair_json_string 函数中三个正则表达式的修复逻辑（去除 Markdown 代码块标记、删除多余逗号、为未加引号的 key 补引号），并展示了如何将修复后的 JSON 写回消息状态、为 Agent 注册模型输出后的处理函数，最终实现一个可自动

131.Agent-Agent设计模式-MAS多智能体系统（Multi-Agent-System）内容参考于：图灵AI大模型全栈摘要：本文介绍多智能体系统（MAS）的核心概念。单个智能体能力存在上限，难以同时胜任需求、代码开发、测试等多类业务；多Agent系统通过为不同业务创建专职Agent并设定角色，组成完整团队协同完成任务。文中对比了单个Agent与多Agent的工作方式，并梳理了LangChain、LangGraph、OpenAI Agents SDK、AutoGen、CrewAI、DeepAgent等主流多智能体框架的定位与核心特点。

129.Agent-LangChain核心组件-自定义中间件-通过类实现（AgentMiddleware）摘要：本文介绍 LangChain 中通过继承 AgentMiddleware 类实现自定义中间件的方法。与注解方式只能处理单一环节钩子不同，类方式支持在整体流程中精细化控制，可同时实现多个钩子、同步/异步版本及复杂配置。文章详细讲解了中间件的执行顺序（before 按添加顺序、after 按逆序），并提供了完整的 Python 代码示例，涵盖敏感词拦截、权限验证、JSON 格式修复及系统提示词动态覆盖等实用场景。

122.Agent-LangChain核心组件-中间件-动态提示词（dynamic_promapt）摘要：本文介绍 LangChain 中 @dynamic_prompt 注解的用法，讲解如何通过该注解将函数注册为动态提示词中间件，并利用 ModelRequest 类型获取运行时上下文与系统提示词，实现系统提示词的动态覆盖与拼接，最后通过完整代码示例演示动态提示词中间件的配置与调用流程。

120.Agent-LangChain核心组件-中间件-摘要中间件（SummarizationMiddleware）摘要：本文围绕 LangChain Agent 中间件机制展开，通过年会筹备的比喻说明中间件如何监控、管理、限制和兜底 Agent 的执行流程，并介绍 LangChain 提供的默认中间件清单。文章重点讲解摘要中间件（SummarizationMiddleware）的工作原理、触发条件（tokens、messages、fraction）与保留策略（keep），最后给出完整的 Python 代码示例，演示如何配置摘要中间件并验证其效果。