第1章 为什么需要理解 LangChain 当我们站在 2025 年回望 AI 应用开发的演进历程，会发现一个有趣的规律：每一次底层模型能力的跃迁，都会催生出一个新的应用框架浪潮。从最初手写 HTTP

本篇分享Harness Engineering， 它是智能体从回答问题迈向执行任务的工程思想。它并非替代提示词或上下文工程，而是在二者之上构建而是在二者之上构建约束、编排、观测与恢复机制，确保应用稳定

🎯 一、为什么需要“带重试的结构化输出”？ 在 Day 6 中，我们用 PydanticOutputParser 让 AI 输出合法 JSON。 但现实是：即使加了格式指令，大模型偶尔仍会“跑偏” ：

本章将从 RAG 核心原理出发，手把手教你用 LangChain 快速搭建问答系统、自定义检索逻辑、优化检索效果，最后通过实战构建基于公司年报的智能问答机器人，所有代码简短可复制，关键步骤标注引用来源

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

LangChain Agent 中间件完全指南：六种钩子函数从入门到生产。本文我们将聚焦于 Agent 的 中间件层（Middleware），通过一个完整的生产级示例。

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

深度剖析 LangChain Agent：从核心流式模式到生产级最佳实践 前言（本文为个人学习笔记与实践总结，如有错误或疏漏，欢迎指正交流-第二次书写博客记录）

RAG完整流程：Query Rewrite → Chunk → Embed → Recall → Rerank → Context Pack → Generate → Ground。

很多开发者第一次接触 LangChain 的 LCEL 时，直觉都是一样的：这不就是把原来一段一段的调用，换成了 pipe 和 Runnable 的写法吗？ 如果只是做一个“用户提问 -> Promp

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

很多人第一次学 LangChain 的 LCEL，都会有一个共同感受：概念不难，但很难判断它到底该用在什么地方。 因为从语法上看，LCEL 很像是在做一件很朴素的事： 把 PromptTemplate

在LangChain生态中，向量嵌入（Embedding）是实现“语义检索”的核心基石——无论是RAG（检索增强生成）、智能问答，还是文本聚类，都离不开它将文本转化为机器可理解的数值向量。本章将从基础

DeepAgents 子智能体通过上下文隔离实现任务分工，本文介绍DeepAgents 字典配置与编译两种子智能体创建方式，并通过“伊朗老美分析系统”的搜索+报告案例演示子智能体系统搭建流程。

Qwen-Code 等这些 Coding Agent 极大程度的提高了生产力和个人能力边界。那么我们一直在用，有没有考虑过自己实现一个简易版的Coding Agent来了解一下它的基本原理呢？ 这篇文

本文介绍了如何使用LangChain Agents构建智能文件管理助手，对比了四种Agent类型，并提供了选择建议。

本文深入剖析AI Agent的核心架构演进，从经典的ReAct模式到现代Multi-Agent系统，结合代码示例和实战经验，帮助开发者构建可靠的智能代理应用。

本文介绍了如何使用LangChain Tools封装工具集，解决AI开发中的常见问题。LangChain通过标准化接口和Zod验证实现了统一处理。

上一章我们学会了如何生成文本的向量嵌入，而向量嵌入的核心用途——语义检索，离不开向量数据库的支撑。向量数据库是专门用于存储、管理、检索高维向量的工具，能高效计算向量间的相似度，是LangChain R