我挑出了 10 个最值得学习的 AI Agent 开源项目， 它们几乎能让你从零开始，完整掌握智能体的原理与实战。

在人工智能领域的浩瀚星空中，2022 年 ChatGPT 的横空出世无疑是最为耀眼的一颗新星。它基于 Transformer 架构，在 AIGC（人工智能生成内容）领域引发了一场革命。然而，早在 Ch

因为项目的需要，之前研究了一段时间的RAG，于是本文总结 8 种 RAG 架构，对每种架构进行简要介绍，并用 langchain 实现其参考代码。

本文分享了LangGraph智能体开发的设计模式：工作流模式和多智能体模式，同时详细讲解了三种核心工作流模式：提示链模式、路由模式、并行模式。这些模式为构建复杂、可靠的智能体系统提供了可复用的基础架构

很多人第一次用大模型，都会写出这样的代码： 然后模型会很“诚恳”地回答： 这其实暴露了一个核心问题： 你用的不是 AI 应用，而只是一个“会说话的模型”。 一、真正的能力差距，不在 Prompt，而在

本文分享了单智能体开发的两种高阶模式：协调器-工作者模式通过动态任务分解与委派，擅长处理复杂、不确定的子任务场景；评估器-优化器模式则通过生成-反馈-优化的迭代循环，持续提升质量。

本文深入解析如何通过 LangChain 的 RunnableWithMessageHistory 和 InMemoryChatMessageHistory 实现 LLM 的对话记忆能力

一、 为什么我们需要 Tool？ 在深入代码之前，我们先思考一个问题：为什么 ChatGPT 有时候做不好简单的加减法？为什么它不知道今天北京的天气？ 因为大模型的本质是概率预测，它是基于训练数据生成

一、交接模式（Handoffs）定义 在交接模式中，系统行为会基于状态动态变化。其核心机制为：工具会更新一个可跨轮次持久化的状态变量（例如current_step（当前步骤）或active_agent

最近在研究怎么让大模型真正“记住”用户说过的话，而不是每次对话都像失忆了一样从头来过今天就把我的学习笔记、代码示例、踩坑心得全部整合起来，写成这篇超详细的实战指南。

「LangChain学习」ChatPromptTemplate学习笔记，ChatPromptTemplate是创建聊天消息列表的模版，比PromptTemplate更适合处理多角色、多轮次的对话场景。

本文将结合实际代码，从最基础的调用开始，一步步带你掌握 LangChain 的核心概念。所有代码都基于 Node.js（ESM 模块）与 DeepSeek 模型实战运行通过，适合前端开发者快速上手。

LangGraph是开发复杂可靠AI应用的强大底层框架，本期内容分享了其核心概念，通过节点与边编排工作流，由状态统一管理数据，并依靠Reducer机制处理并发更新，并通过构建图代码实战掌握其基本使用。

本文通过构建自动邮件处理智能体，系统演示了LangGraph1.0的状态管理、条件路由、人在回路等核心机制在实战中的应用。相信大家经过实战，能更加掌握LangGraph1.0编写智能体的核心技巧。

本期文章深入讲解了 LangGraph 1.0 的三大进阶功能：通过 Command 对象实现节点内路由、通过检查点实现记忆、通过中断实现人在回路。这些功能为构建复杂可控且具备记忆的智能体提供强大支持

本篇分享笔者系统系统总结并验证了行之有效的Vibe Coding编程方法论，展示了如何利用 Trae Solo，高效构建多模态 RAG 系统的前端界面，完成了整个多模态RAG系统全栈应用的闭环。

本系列文章的深度有限，只是个人对大模型知识脉络的梳理，同时也会借鉴一下同行的博客内容充实本文，文末将会注明参考来源。

引言 随着大语言模型能力的快速演进，真正的技术挑战已经不再是“如何调用模型”，而是： 如何组织 Prompt 如何管理上下文 如何接入外部数据 如何构建多步骤推理流程 如何让模型在复杂任务中稳定工作

针对单体 Agent 在复杂任务中易迷失、易死循环的痛点，本文深入探讨了基于 LangGraph 的多 Agent 协作架构。通过 Supervisor 模式的实战演练，详细解析了状态管理、路由决策及