不知道大家在RAG项目实践中，有没有遇到这个问题？用LangChain框架自带的PyPDFLoader加载PDF报告时，虽然流程跑通了，但给出的结果回答质量极低，各种回避问题、事实错误。后来我通过深入

检索增强智能体技术正在重塑AI应用的开发范式，它巧妙地将大语言模型的推理能力与结构化知识检索相结合，解决了传统智能体在处理动态信息时的局限性。今天我将根据实际开发中的痛点：如何设计高效、灵活的智能体系

当LangChain成为技术债：你的AI架构还撑得过明年吗？ 引言 在过去的18个月里，LangChain无疑成为AI工程领域的耀眼明星——GitHub星标爆炸性增长、开发者峰会座无虚席、各种基于La

1. LangChain4J 理论概述 [toc] LangChain4J 的官方文档：https://docs.langchain4j.dev/ 中文文档地址：https://docs.langch

2. LangChain4J 中的 Hello World @[toc] 1. 接入阿里百炼大模型 —— 通义千问 接入阿里百炼平台的通义模型：https://bailian.console.aliy

AgentExecutor作为一个经典且易于理解的Agent实现方式，它是学习 Agent 的良好切入点，本文将会对AgentExecutor进行详细讲解。

通过与上一节手写 Agent 的对比学习，你将切实体会到：借助 LangGraph，我们可以用更高效、更优雅的方式构建复杂智能体系统。

在上一篇文章中，详细介绍了工具调用的基本流程，以及创建工具的几种方式，以及工具创建方式，本文将会对如何让LLM完成工具调用进行详细的介绍。

LangGraph作为一个用于构建有状态多参与者应用程序的库，其核心优势之一就是持久性。持久性允许应用程序在多次交互中保持状态，这对于构建具有记忆功能的代理系统至关重要。本教程将详细介绍LangGra

在构建复杂的多代理系统时，我们通常需要将不同的功能模块化，使系统更易于管理和扩展。LangGraph提供了子图(Subgraph)机制，允许开发者将大型系统分解为多个独立但相互协作的组件。

LangChain帝国裂变：轻量化 vs 企业级 vs 垂直专精，四大框架技术霸权争夺战 随着大模型应用分层化趋势加剧，LangChain的"大而全"架构已非唯一选择。本文基于技术架构特性，对比分析四

RAG与MCP：AI大模型进化的黄金双翼 引言： 在大型语言模型（LLM）日臻成熟的今天，如何突破其固有限制成为关键议题。检索增强生成（RAG）与多模态上下文处理（MCP）技术正成为驱动大模型能力跃升

一、LangChain 基本理论与架构 1.1 核心设计思想 LangChain 通过模块化组件连接大语言模型（LLM）与外部系统，解决LLM的三大局限： 无状态性：通过 Memory 管理上下文 知

深入剖析 LangChain 未来演化方向，解读 LangSmith、LangGraph 与 AI 编排平台在可观测性、调试、评估与 AgentOps 中的系统化价值。

从零实现一个精简版 LangChain，亲手搭建架构、Runnable 与 Agent 核心机制，在实践中理解框架本质，夯实 AI 应用开发的底层能力。

一、LangChain搜索工具实战：集成DuckDuckGo实现实时信息查询 核心场景：解决大模型知识滞后问题，通过搜索引擎获取实时信息 1.1 基础集成方案 1.2 高级配置（含元数据过滤） 1.3

实现LLM工具调用，第一步就是工具的创建。本文将会详细介绍在 LangChain 中如何创建工具，在后续文章中，我们会进一步展开，讲解工具调用的完整流程。

本文将会把之前介绍过的LangChain组件组合起来，实现一个完整的 RAG 应用——智能客服系统。

借助 LangServe 与 FastAPI，将 LangChain 应用一键发布为可调用 API，支持流式输出，轻松实现从原型到生产的快速落地。