Agentic AI应用开发理论与实践

一、 初识LangGraph LangGraph受到诸多引领智能体（agent）未来发展的企业信赖，包括 Klarna、Replit、Elastic等。 它是一款底层编排框架与运行时环境，用于构建、管

本文分享2025年主要大模型厂商最新产品发布情况、技术特点、性能表现。涵盖了大模型：Gemini 3、GPT-5.1、Claude 4.5、Grok 4.1、Qwen3、DeepSeek-V3、GLM

本文分享如何使用LangSmith Studio调试智能体。 一、Studio支持的智能体 LangSmith部署界面中的Studio（工作室）功能支持连接两种类型的图（Graph）智能体： 部署在云

直接工具调用会为每个定义和结果消耗上下文。而智能体通过编写代码来调用工具，可实现更好的扩展。以下将介绍其在MCP中的工作原理。

提示词工程（Prompt Engineering）是指设计、测试并优化给大模型的指令，以使其生成可靠且有用的响应的过程。LangSmith提供了用于创建、版本控制、测试提示词以及进行协作的工具。

本文将向你展示如何在不使用LangSmith用户界面或控制面板的情况下，部署独立的智能体服务器（Agent Servers）。对于将一个或多个智能体，这是最轻量的自托管方案。

本文将向你展示如何使用LangSmith在本地部署LangGraph应用，以便进行测试和开发。你需要LangSmith账号和密钥。

评估（Evaluations）是衡量大模型应用程序性能的一种量化方式。LLM 的行为可能存在不确定性，即便对提示词、模型或输入做出微小调整，也可能对结果产生显著影响。而评估能够提供一种结构化方法。

LangSmith提供用于开发、调试和部署大型语言模型（LLM）应用程序的工具。它能帮助你在同一个平台中完成请求追踪、输出评估、提示词测试以及部署管理等操作。

本文分享LangChain长期记忆组件。LangChain智能体借助LangGraph的持久化功能实现长期记忆，通过工具访问长期记忆。LangGraph将长期记忆以JSON文档的形式存储在存储系统中。

大模型赋能的最强大应用之一，便是功能完善的问答（Q&A）聊天机器人。这类应用能够针对特定来源的信息回答问题，其核心技术是检索增强生成(RAG)。本文将通过一个实际例子带您了解两种不同的RAG实现模式。

智能体能自主决策任务的执行，但有时人工介入是必要的。LangChain提供了人工协作中间件支持智能体的人工介入功能。本文分享中断支持的决策类型、如何配置中断、如何响应中断、执行生命周期以及自定义逻辑

模型上下文协议（MCP）是一种开放协议，用于标准化应用程序向大模型（LLM）提供工具和上下文的方式。LangChain智能体可借助langchain-mcp-adapters库使用MCP服务工具。

构建智能体的难点在于如何让它们具备足够的可靠性。上下文工程是解决这个问题的关键钥匙。LangChain的智能体抽象层经过独特设计，为上下文工程的实施提供便利。中间件是实现上下文工程的重要手段。

基于LangChain1.0创建的智能体是运行在LangGraph的运行时（Runtime）之上。LangChain可以通过LangGraph对外暴露的运行时对象访问上下文、存储以及流写入器。

防护机制是所有基于大模型的部署方案中的关键组件。设计完善的防护机制，有助于管理数据隐私风险和声誉风险。LangChain通过中间件实现安全防护机制，帮助客户构建安全、合规的人工智能应用。

结构化输出能让智能体以特定、可预测的格式返回数据。用户只需设置所需的结构化输出模式（schema），LangChain的create_agent接口会自动处理结构化输出。理解原生策略和工具调用策略。

LangChain提供了中间件这种高级抽象来控制和定制化智能体的执行过程。开发者通过中间件可以实现对智能体执行过程的精细化控制。开发者可以使用内置的中间件，也可以自定义中间件。最后总结了最佳实践经验。

LangChain实现了一个流输出系统，用于呈现实时更新。 流输出对于提升基于大型语言模型（LLMs）构建的应用程序的响应性至关重要。流输出极大地改善了用户体验，尤其是在应对大型语言模型的延迟问题时。

记忆系统对于智能体至关重要。它能够记录过往的互动信息、推断用户的偏好，维持连贯的交互语境。LangChain框架提供了开箱即用的记忆组件，同时开发者可根据有业务场景设定记忆管理策略。