AgentComponent 使用指南 一、组件概述 1.1 基本信息 属性 值 名称 Agent 显示名 Agent 描述 定义 Agent 的指令、连接 LLM 模型、使用工具完成任务的智能助手

在开发基于 LLM 的应用（如聊天机器人）时，开发者很快会遇到一个核心痛点：大模型默认是“失忆”的。 LLM 的 API 调用本质上和 HTTP 请求一样，都是无状态（Stateless）的。这意味着

摘要：在人工智能应用开发中，最让人头疼的不是 AI 不够聪明，而是它“太爱说话”。本文将深入浅出地介绍如何利用 LangChain 的 JsonOutputParser 和 Zod，给 AI 戴上“紧

本期内容详细分享了两种主流本地部署方案：面向生产环境、支持高并发的高性能 VLLM 部署，以及面向个人快速体验、对硬件要求低的轻量级 Ollama部署，提供了从环境准备到代码调用的完整实战步骤。

前言 其实去年就想写这篇文章，但因为拖延症就拖到了26年。本文主要介绍 LangChain v0.3 版本中 create_react_agent 所创建的 ReAct Agent 的工作原理。

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。

前言 上一篇学习了 LangChain 框架的基础知识和核心组件 Prompts 和 Chains，这篇文章将继续学习 LangChain 框架的核心组件 Memory（记忆） 记忆（Memory）

一、引言 对于智能体开发者来说，一个众所周知的事实是，“在开发设备上能运行” 与 “在生产环境中能稳定运行”之间存在巨大鸿沟，这两者之间的差距可能天差地别。 传统软件开发的前提是，开发者基本清楚输入内

2026年AI开发新标准来了！Open Responses专为智能体时代打造，告别Chat Completion的局限，解锁原始推理流、自主工具调用等强大能力。本文带你深入理解这个将改变AI开发生态的

✨ 本文代码均为可直接运行的完整代码，基于LangChain最新版API编写，无过时语法，放心食用～ ✅ 一、安装项目依赖包 ✅ 二、初始化三大核心组件（核心配置） 构建RAG Agent的核心三要素

本文以Qwen3为例，分享了大模型的核心文件组成与生成对话原理，并通过代码实战演示了从加载模型到获取回复的完整流程，帮助大家真正理解大模型的核心工作机制。

在上一篇中（源码Demo）大家都在说Agent，那么Agent到底是什么？，我们了解Agent的概念，并以代码的形式介绍，这一篇将了解AI中的另外一个名词LangChain。 LangChain

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

从零入门 LangChain 开发，系统学习 LangChain 知识体系到最终开发一个 AI 应用项目。

VectorStoreRetriever 三种搜索类型深度解析：差异、场景与选型 在 LangChain 等大模型应用开发中，VectorStoreRetriever 是连接向量数据库与大模型的核心组

本篇重点分享了网络架构及其典型实现Swarm架构的特点，并结合代码示例展示了如何利用langgraph-swarm库构建具备动态移交能力的智能体协作网络。

AI 怎么突然变聪明了？本文拒绝枯燥术语，用通俗比喻带你回顾从 Prompt 对话到 Chain 流水线，再到自主决策 Agent 的进化史。一文看懂 AI 如何从只会“陪聊”的实习生，进化成能自主干

LangChain1.0 实现 PDF 文档向量检索全流程。文档加载：读取 PDF 内容至上下文 通过 PyPDFLoader 加载目标 PDF 文件，将文档内容载入程序上下文，为后续处理奠定基础。

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