Ai Agent教学

本指南教你如何用Model Context Protocol (MCP) 解决AI工具孤岛问题。它不再需要为每个服务手写API，而是像插USB一样，让Agent通过通用客户端（Client）即插即用，

本文详解 LangGraph 三大进阶能力：人工干预（Human-in-the-Loop）保障高危操作安全，图即工具（Graph-as-a-Tool）封装复杂子流程，多智能体编排。

本文手把手教你用 LangGraph 从零构建白盒 ReAct Agent，拆解 AgentExecutor 黑盒，实现工具调用、多轮记忆与系统提示，并集成 LangSmith 进行全流程可观测调试。

本文完成RAG三大升级：用Chroma实现持久化存储，引入Reranker提升检索精度，将RAG封装为Agent工具。首次集成LLM、Prompt、Chain、Memory、Agents与RAG六模块

本文是 RAG（检索增强生成）的基础篇。通过“离线索引”（加载、分块调参、向量化、FAISS 存储）和“在线运行”两大模块，让 Agent 拥有专属知识库。最后，使用 LCEL 手动组装了完整的 R-

本文精要介绍了LangChain中Agents模块的核心功能与应用，涵盖：使用@tool装饰器封装工具、构建通用Agent与SQL专用Agent，结合记忆功能升级智能体，以及缓存、流式输出等优化技巧。

本文详细介绍了LangChain框架的六大核心模块（Models、Prompt、Chain、Memory、Agents、RAG），所有配套代码已开源在Github，帮助开发者快速上手LangChain

本文详解Function Calling原理，通过天气查询与IP定位案例，演示Agent如何调用外部工具，并梳理多轮调用流程，为构建自主智能体奠定基础。

本文介绍了大语言模型(LLM)的基础知识和调用方法。并讲解Prompt(提示词)的基础逻辑及其在Agent构建中的重要性。最后通过一个问答Agent实例，演示如何实现多轮对话记忆功能

本文介绍了Agent概念理解与环境搭建。指出Agent是未来重要技术方向，通过将大语言模型与工具调用结合，使AI具备执行能力。文章最终演示了首个智能体运行示例。