langgraph

AI Agent 工程化开发实战（四）：工具调用循环——解构 create_agent 背后的机制主线：Agent Runtime → Harness。第 3 篇我们手写了 StateGraph 的「图 / 节点 / 边 / 状态」，但它只会「说话」——模型节点读入消息、吐出一条回复，就结束了。一个真正的 Agent（智能体）要会「干活」：查数据、算数字、调接口。这一篇，我们给图装上「工具」，做出 Agent 最核心的动作——工具调用循环（tool calling loop），并把它跑通。

骑着蜗牛撵大象327

AI Agent 工程化开发实战（三）：用 StateGraph 给智能体搭一条可回放的状态流水线写到 Agent 工程化的第三篇，绕不开一个现实问题：节点一多、一并行，状态就开始互相踩。检索节点刚塞进去的文档被重试节点整份覆盖，打分结果在两个分支里各写各的，日志对完根本说不清哪一步的结果进了最终上下文。

小易老师AI实战

LangChain create_agent 与 LangGraph 底层原理及实战对比新版 LangChain 已经废弃旧版 initialize_agent、create_react_agent，推荐使用 create_agent 构建智能体。LangChain 1.0 的智能体运行时已经可以直接用于生产：多步工具调用、结构化输出、流式返回、中间件、状态持久化和人工确认都在这一层完成。

Agent 跑到一半崩了，怎么从上一步接着跑？LangGraph StateGraph 实战：状态持久化、断点恢复与人工审批如果 Agent 只回答一句话，直接调用模型通常够用；一旦任务要查资料、生成方案、等待审批、再调用外部系统，就得回答一个工程问题：进程重启后，任务还能不能接着跑？本文用 LangGraph StateGraph 搭一条可暂停、可恢复的流程，并说明检查点能解决什么、不能解决什么。

救救孩子把

LangGraph 工程化架构：类型、状态、流式通信与可观测性Agent Demo 能调用模型，并不意味着系统已经具备可维护性。到了第三个功能、第二位开发者加入时，真正拖慢迭代的，往往是隐含的路由规则、漂移的消息格式和缺乏证据的失败现场。

神也畏惧菠萝

想要学习Agent应用开发？：2026 AI Agent开发全栈通关路线“会调API”和“能做Agent”之间，隔着一整套工程能力。2026年的现实是：79%的企业在搞AI Agent，但真正跑通生产环境的只有2%。差距不在模型够不够聪明，而在工程够不够扎实。本文以“企业级Agent工程师真实能力模型”为核心，抛弃零散的框架罗列，将技能树重新整合为五大阶段：底层基建、模型控制与私有数据、核心编排与协议、工程化与可观测性、生产验证与求职冲刺。每个阶段明确学什么、为什么学、怎么实战，并附上2026年热门框架的选型对比、按每天2小时投入计算的详细时间安排，以及新手最常踩的坑与应对方

2026 Agent 框架怎么选？拆 3 层底层逻辑（运行循环 / 记忆 / 工具协议）+ 一张决策表▍深耕领域 AI Agent 架构设计 Harness 插件开发 Context Engineering 多智能体协同 & RAG ▍技术底座 Python TypeScript · Cordis 插件 MCP & Skills · FastAPI Docker ▍工程能力专注 Agent 运行时与 Harness 插件开发、长上下文与流式交互优化、LLM 全链路工程化落地

【项目篇】基于LanGraph的自动处理客服邮件的 Agent汇总一个「人机协作」的客服邮件自动处理系统：AI 处理 80% 的常规邮件，人只审 20% 的高风险邮件。

【LangGraph框架入门级】12. 人机交互：interrupt 中断与 Command 恢复完全自动化虽好，但在「发邮件、转账、删除数据」这类高风险操作前，我们希望 AI 先停下来，等人确认或修改后再继续。本篇讲持久化落地的第二大能力——人机交互（human-in-the-loop，人在回路中），核心是 interrupt（中断）和 Command（指令恢复）。

LangGraph Checkpointer 封装（下）：with 的双层上下文与 MemorySaver 为什么不用 with对 SqliteSaver.from_conn_string() 来说：__enter__ 打开 sqlite 连接并构造 Saver，__exit__ 关闭连接——with 就是这个连接的生命周期边界。

for_ever_love__

LangGraph State 设计：多节点之间怎么安全地共享数据写 LangGraph 时，最容易出问题、也最影响后续扩展性的，不是节点逻辑，而是 State 怎么定义。

for_ever_love__

LangGraph Checkpointer：持久化、断点续跑与多轮记忆图跑完状态就没了——这在 demo 里没问题，在生产里是硬伤：用户刷新页面对话断了、人工审批要等一天、服务重启任务丢了。

for_ever_love__

LangChain 多工具协作：一个 Agent 不够用时怎么办给一个 Agent 挂十几个工具，很快就会发现它开始乱选：该查天气的去查了数据库，该下单的去搜了网页。

AI Agent 工程化开发实战（一）：Agent 开发的四个层次——积木、运行时、薄壳、套件本系列贯穿一条英文概念主线：Agent Runtime → Harness。本文先建立整个系列的认知地基：为什么我们讲「四个层次」，而不是你更常听到的「三个框架」。

【LangGraph实战】LangGraph 学习笔记（五）：信息裁剪、人机交互与时间旅行🔥 愿旖旎 · 个人主页📘 学习专栏：《算法专栏》《LangChain学习》《贪心算法》🌄 钱塘江上潮信来，今日方知我是我

LangChain / LangGraph Memory 记忆体系技术文档（作用域判定 · 官方现版本实现 · 工程坑点）短期记忆 / 长期记忆的划分，与底层存储介质无关；判定标准只有业务作用域：是否支持跨会话（cross-session）复用。

【LangGraph框架入门级】4. 支持联网搜索的智能代理系统上一篇的快递流程是「画好路线照着走」的工作流。本篇让流程带点 Agent 味道：让大模型自己决定要不要调用搜索工具。我们会实现两个核心节点（调模型、执行工具），并认识 LangGraph 预构建的两大利器——ToolNode 和 tools_condition，最后演示图的可视化和流式输出。

【LangGraph框架入门级】2. 图核心概念：State、Node、Edge 与 Reducers上一篇我们知道了 LangGraph 是 Agent Server 的「操作系统内核」。这个内核是怎么组织一个应用的？答案是「图（Graph）」。本篇我们用一个快递配送系统做比喻，把图的三大件——状态 State、节点 Node、边 Edge——讲透，并重点攻克最容易懵的 Reducers（状态合并机制）。

for_ever_love__

LangChain Agentic RAG：让 Agent 自己决定要不要检索、检索几次传统 RAG 是"问一次，检索一次，答一次"的固定流程。但很多问题根本不是一次检索能解决的： “对比一下 2023 和 2024 年的差旅制度有什么变化”—— 这需要检索两次，还得分别定位两个版本。