LangChain v1 中间件实战：不碰主流程，也能给 Agent 装上"外挂" 前言 一句话：Agent 的业务逻辑不该被日志、计数、敏感词、权限这些杂事污染，中间件就是那个"不侵入主流程的插槽"

本文结合实战实验，从工具调用、ReAct循环、上下文管理、缓存优化、运行时护栏及Skills机制出发，探讨Model与Harness如何协作，构建Agent系统

写在前面 先说结论：RAG 的瓶颈从来不在向量库，而在"判断"二字。 大部分人的第一个 RAG 长这样：用户提问 → 向量检索 topK → 拼进 prompt → 大模型生成。这套流程能跑，demo

刚开始学习 RAG 时，我理解的流程很简单： 把文档切片； 生成向量并写入数据库； 用户提问时召回 Top-K； 把召回内容塞进 Prompt； 调用大模型生成答案。 这套流程能跑通 Demo，却很难

为什么系列故事需要"长期记忆" 在故事机项目里，故事有两个维度：一个是故事内容本身，一个是系列故事集。小朋友的想象力是无穷的——也许你给他一只小马，他就能顺着编出一整个"小马宝莉"式的系列故事。

两条线：LangGraph 如何把状态流和控制流拆开 一、一个字段被覆盖，一个字段留住了 lab_02 搭的是一张会绕圈的图：draft 先写个初稿，expand 每轮往里补一段，router 看长度

LangChain 拼乐高，LangGraph 画图纸。复杂 Agent 需要分支、循环、并行、人工审批和状态持久化，这些用线性链做不到。本文从状态图三要素出发，拆解 Annotation、Reduc

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

以一个从零构建的 Java Agent 项目 JavaManus 为线索，深入拆解 ReAct 循环、工具调用编排、记忆管理

前言 今天介绍一下LangChain怎么玩。本人学AI Agent不超过两周，如有错误，欢迎批评指正。了解我的人都知道，最近三年，本人都在打磨产品，没有涉足AI领域。最近才开始杀入AI领域的开发。除了

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

从预算、工具权限、会话恢复到发布验证，拆解 LangChain 智能体的治理控制点，并用离线预算实验检验允许与拒绝两类请求。

一个 AI 产品上线后最怕的不是"出 bug"，而是"出 bug 了但不知道出在哪"。尤其是多智能体流水线，一次生成要经过 analyzer → tool → synthesizer.......

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

从知识库切块、向量化和Milvus检索出发，用LangGraph编排检索与生成节点，并接入LangSmith追踪调用、耗时和异常，完整拆解一个可观测RAG客服的实现与排错思路。

在  Amazon Bedrock AgentCore Runtime  中，每个会话都运行在独立的执行环境中，拥有各自的 CPU、内存和磁盘。最简单的 LangGraph Agent 通常将对话历史

基于固定客服问答集，使用LangSmith Dataset和OpenEvals构建三类评估器，分别衡量检索相关性、回答忠实度与帮助性，并通过实验结果定位RAG的检索和生成问题。

围绕LangChain Agent Middleware，详细讲解生命周期钩子、自定义状态、模型请求改写、流程短路、工具注入、工具结果包装与Command状态更新

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。