langgraph

情绪总是阴雨天~

深度解析：LangChain、Agent、RAG、FC、ReAct、LangGraph、A2A、MCP — 区别、联系与全景图一、总览：技术全景图二、逐个击破：核心概念详解2.1 Function Calling（FC）— 工具调用能力

SubAgent 基础：拥有自主工具的子代理标签：Java SubAgent 子代理自主工具 McpAgentExecutor j-langchain 前置阅读：Skill Agent：把子工作流封装成可复用的 Tool 适合人群：已掌握 Skill 用法，希望构建拥有自有工具的独立子代理的 Java 开发者

情绪总是阴雨天~

深入理解A2A协议：从零搭建多Agent协作系统实战一、为什么需要 A2A 协议1.1 现状的痛点1.2 用一个故事理解1.3 A2A 的设计目标二、A2A 协议核心概念详解

LangX实战：从Spring生态理解LLM应用开发当Java开发者遇见LangChain：一份全面的技术类比、发展脉络与项目实践指南LLM应用开发正成为后端开发的新疆域，但Python生态的LangChain对Java开发者而言存在认知门槛。本文通过将LangX项目与Spring生态进行全面技术类比，帮助Java开发者快速建立心智模型。

程序员果子

LangGraph ：构建复杂有状态智能体的核心框架目录前言：LangGraph 到底是个啥？🤔第一部分：LangGraph 核心基础🧩1.1 状态（State）：所有人的共享小本本 📝

LangGraph Agent 开发指南（12~函数式 API）想象你在写普通的 Python 代码：入口点可以访问运行时自动注入的参数：使用 entrypoint.final 可以分别控制返回值和保存值：

LangGraph Agent 开发指南（10~子图 Subgraphs）想象你在搭建一个大型乐高城堡：子图就是把一个完整的图当作另一个图的"节点"来使用：子图的关键问题是：父图和子图如何交换数据？

带搜索工具的对话 Agent示例与解析本示例构建一个可以使用外部工具（Tavily 搜索）的智能对话 Agent，本质上实现了：LLM ↔ 工具 ↔ LLM的循环，直到模型认为可以直接回答用户为止。代码取自《AI Agent智能体开发实践》第5章。

LangGraph自适应工作流路由机制：从关键词匹配到智能决策的完整实现摘要：在构建AI Agent系统时，如何让系统根据用户意图自动选择最优执行路径？本文基于一个真实的跑步教练AI项目，详细解析两层路由架构的设计与实现。我们将深入源码，结合流程图和调用链，展示如何通过"关键词优先 + LLM兜底"的策略，在保证响应速度的同时实现智能路由。这套方案已在生产环境验证，可将简单查询的响应时间从20秒降至1秒以内。

进击切图仔

使用 LangGraph 创建 RAG本文将带你一步步实现一个完整的检索增强生成（RAG）系统，从网页文档抓取、文本分割、向量化存储，到用大模型生成回答。我们将以百度百科“黑神话：悟空”词条为例，结合 LangChain、LangGraph、HuggingFace 本地嵌入模型和 DeepSeek API，构建一个能回答“黑悟空有哪些游戏场景？”的应用。教程不仅涵盖代码实现，还会深入解析每一步的原理、常见陷阱及解决方案，非常适合正在入门 RAG 的开发者。

LangGraph实战：搭建一个带人工介入的智能客服系统序言：当你发现AI客服遇到复杂问题时只会"车轱辘话"来回转，而用户已经气得要投诉了，你就该考虑让真人介入了。

【LangGraph】持久化（Persistence）🌈 个人主页：Zfox_ 🔥 系列专栏：LangChain-AI 应用开发框架简单来说，在LangGraph中持久化能⼒指的是将AI应⽤的状态（如对话历史、中间结果、⽤户信息等）保存下来，即使程序重启或系统宕机，也能恢复之前的状态，让AI"记住"之前发⽣的⼀切。

LangGraph 生产级部署全解：FastAPI + Docker我们将基于你之前的带人工干预的双智能体系统，构建一个完整的生产级部署方案，包含三个核心部分：plaintext

LangGraph Human-in-the-loop 全解Human-in-the-loop（简称 HITL）是在自动化工作流的关键节点插入人工干预的机制，让 Agent 在执行到高风险、高不确定性或需要人类决策的步骤时自动暂停，等待人类确认、修改或补充信息后再继续执行。

LangGraph 工具调用集成从原理→工具集成→从零实现 ReAct Agent，完整讲清楚 LangGraph 工具调用，并对比为什么它比 LangChain Agent 更灵活、更好定制。

LangGraph Agent 开发指南（1~概述）想象你有一个特别聪明的助手，它不仅能和你聊天，还能帮你干活：这就是 Agent（智能体）——一个能"动手干活"的 AI。

大龄码农有梦想

单智能体编排 vs 多智能体协作：AI应用开发技术路线之争2026 年，AI 应用开发已经从【大模型调用时代】全面进入【智能体时代】。但在智能体的实现路径上，行业形成了两条截然不同的技术路线：一条是以 Dify、Coze 为代表的单智能体工作流编排，另一条是以 AutoGen、CrewAI、LangGraph 为代表的多智能体团队协作。