RAG 系列第二篇。用 LangChain 1.x + ChromaDB + SiliconFlow 拆解 RAG 六大组件，附完整可运行的 PDF 问答代码。所有源码可在 GitHub 获取。

从 MessagesState 扩展到 TypedDict 自定义状态，用 Annotated 声明字段归约策略。messages 挂载 add_messages 实现追加合并，其他字段默认覆盖。

将内存检查点替换为 PostgreSQL 持久化存储。PostgresSaver 自动建库建表，四张核心表分别存储快照、增量写入、大对象和迁移版本。

深入讲解模型抽象层的设计理念，两种模型配置方式，主流 LLM Provider 接入，消息格式和多轮对话原理，流式输出实现，结构化输出，以及模型选型指南。

深入讲解 AI Agent 的核心概念、三大构成要素，LLM 应用从简单问答到自主代理的演进历程，LangChain 生态体系定位，以及 TypeScript 版本的选择理由。

介绍 LangGraph 核心思想：用 StateGraph 把单次 LLM 调用串成可循环的 ReAct 工作流。

一、为什么你的 Agent 只能做 Demo？ 去年这个时候，我也曾兴奋地展示一个能自动订机票的 Agent Demo——直到它在生产环境连续 3 次订错日期。 问题不在于 LLM 的能力，而在于架构

LangChain是一个基于语言模型开发应用程序的框架。它可以实现 数据感知：将语言模型连接到其他数据源、允许语言模型与其环境进行交互。

OpenClaw、Claude Code 等 Agent 为什么都选择 Node.js？ 作者：吴佳浩 撰稿时间：2026-3-16 最后更新：2026-3-17 目录 什么是 AI Coding A

深入理解 LangChain 文本分割器：为什么 RecursiveCharacterTextSplitter 是 RAG 的标配 在搭建 RAG（检索增强生成）系统时，我们经常需要处理 PDF、日志

详细讲解 LangChain.js 开发环境配置设置，模块化包安装理念，创建第一个 AI Agent，接入 LangSmith 调试，流式输出实现，以及常见配置陷阱避免。

RAG 进阶：从网页加载到智能文档分割 目录 一、从手写知识库到真实数据：为什么需要 Loader？ 二、Loader：载入任何文件 2.1 网页 Loader：CheerioWebBaseLoade

学完 LangChain 第一阶段之后，如果你脑子里留下的只是 ChatModel、PromptTemplate、OutputParser、tool、memory、RAG、LCEL 这些 API 名字

本LangChain系列文章导读，介绍写作背景、目标读者、内容结构与阅读建议，帮助读者在正式开始前建立清晰的学习预期，少走弯路。

在LangChain开发中，“能跑通”只是基础，“能稳定跑”才是生产级应用的核心要求。无论是LLM API调用超时、Token超限，还是恶意的提示注入攻击，任何一个小错误都可能导致整个应用崩溃、产出错

本文从Skills快速回顾入手，剖析了DeepAgents Skill工程实现的四个核心步骤（发现、注入、渐进加载、执行），并通过两个实战案例（基础技能识别与文档处理Skill）展示了具体使用方法。

本文分享了OpenClaw核心特性与设计原理，并提供接入国产大模型与聊天工具的实用指南。OpenClaw通过独特的网关系统，四层记忆架构、并借助Agent Skills体系灵活扩展向着未来数字员工迈进

MCP 进阶实战：用 LangChain 将 MCP 工具集成到你的 AI Agent 程序 一、为什么要把 MCP 集成到自己的程序里？ 在上一篇文章中，我们通过 Cursor / Trae 的配置

本分享大模型训练中的参数调整方法，从读懂训练日志、识别典型问题，到核心参数的调整方法，再到不同场景下的调参策略，最后给出了一套标准的调参流程。调参是一门实践性很强的技能，需要在实际训练中不断积累经验。