> 每个技术决策都在回答一个问题：为什么选它，而不是选另一个？ --- ## 项目地址 项目地

Agent = Model + Harness，create_agent创建并调用Agent重点、Middleware中间件范式、response_format结构化输出与流式输出的七种模式

1. 为什么开始学这些 我是一名典型的学院派，一直以来秉承的思想是，如果要弄懂一个领域的知识，那么一定要从它最基础的概念开始学起。LLM、Agent大家都会用，但模型是如何理解文字，又是如何生成答案的

AI 应用的稳定性，藏在模型调用前后的数据边界里 调用一次大模型接口并不难，难的是让输入可检索、输出能持续展示、重复任务可稳定复用。 我把这类 AI 应用看成三条数据处理链路： 它们底层的共性是：原始

万字博客直接喂给LLM，要么超窗口，要么答非所问。本文拆解RAG文档加载与智能切割全链路，从爬虫到RecursiveCharacterTextSplitter，让大模型真正"吃透"你的文档。

RAG 系统的性能，很大程度上取决于你如何切分文档。块太大，检索不精准；块太小，语义不完整。本文拆解 RecursiveCharacterTextSplitter 的递归切割原理、Overlap 重叠

前言 2024 年以来，大模型应用开发中最火的技术栈非 RAG 莫属。RAG（Retrieval Augmented Generation，检索增强生成）已经成为 LLM 落地的最佳实践之一——它让大

说出来你可能不信，核心逻辑其实就一个循环。剩下的全是细节坑。 先把最核心的问题想明白：大模型为啥需要 Tool？ 说实话最开始我对 Tool 这个概念挺模糊的。不就是大模型吗，怎么还需要调用工具？ 后

RAG 灵魂三问：你的文档是怎么"喂"给大模型的？ 前言 搞 RAG 的同学都知道，RAG 的全称是 Retrieval-Augmented Generation（检索增强生成）。听起来很高大上，但拆

RAG 让 LLM 从“闭卷考试”变为“开卷考试”——先检索相关资料，再基于资料生成答案。本文用 LangChain 从零搭建一个完整的 RAG 系统，涵盖 Document 设计、Embedding

RAG 技术深入浅出：从零搭建企业级智能检索增强生成系统。本文带你打破 LLM 幻觉魔咒，掌握让大模型学会“查资料”的终极奥义，包含实战代码与避坑指南。

直到我把完整的 response 打印出来，才发现返回的 AIMessage 里藏了个tool_calls数组，里面清清楚楚写着要调用read_file，参数就是我传的文件路径。合着模型根本没执行工具

在构建 AI 应用时，提示词（Prompt）  的质量直接决定模型输出的效果。而如何高效、安全、可维护地管理提示词，是每个开发者都必须面对的课题。LangChain 提供了强大的提示词模板体系，帮助我

一个 Agent 如果能同时调用高德地图查位置、用 Chrome DevTools 打开网页、用 FileSystem 写入文件，它就能完成多么复杂的任务？本文用 LangChain 的 MultiS

从模型能力检测出发，梳理生产环境“管好模型”要做的几件事：RunnableConfig、InMemoryRateLimiter、usage_metadata、max_retries...

核心结论（金字塔塔尖） Agent 的本质是给 LLM 补上它天生缺失的五种能力——Memory、Tool、RAG、MCP、Skills——从而把一个"只能聊天的大脑"变成一个"能记住上下文、能动手执

本地编写的 Tool 只能在当前项目中使用，换一个项目就要重写。MCP 协议让 Tool 可以独立于 LLM，实现跨进程、跨语言调用。本文用 LangChain 的 MCP 适配器连接 MCP Ser

DeepAgentsCode的记忆系统短期靠检查点+缓存+异步 IO 实现无损恢复，长期靠分层 AGENTS.md + 注入模板 + 防护中间件沉淀跨会话知识。一文读懂生产级智能体的状态与记忆机制。

前面几章，我们了解如何使用消息大模型，使用prompt提示词，Runnable是什么。如果你对于大模型使用、prompt提示词、Runnable不太了解，可以先看看前面几章。下面我们将继续学习讨论Ch