LangChain1.0智能体开发教程

1. 模式定义 Plan and Execute（规划与执行）是一种面向复杂任务处理的AI智能体设计模式，其核心思想是将复杂目标拆解为可执行的子任务序列，通过“先规划、再执行、强反馈、动态调整”的闭环

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

在LangChain生态中，**State**、**Runtime**、**RunnableConfig** 是三个核心概念，分别承担状态数据容器、环境数据容器、配置数据容器的角色。使用它们开发智能体

监督者模式（Supervisor Pattern）是多智能体系统(Multi-Agent System)设计中最为经典实用的设计模式之一。它由一个中心化的监督者智能体和多个专用子智能体组成。

ReAct模式是智能体系统设计中一种经典的设计模式。它由普林斯顿大学和谷歌的研究者在2023年发表的ICLR论文提出。它使得智能体可以在解决问题的过程中进行迭代思考和决策，同时与外部环境交互。

反思模式是智能体开发中，用于提升智能体任务执行质量与自主优化能力的核心设计方法。 该模式通过模拟人类“自我复盘”的思维，构建“生成 - 评估 - 优化”的闭环工作流，赋予智能体元认知能力和迭代改进能力

本文分享如何规划使用LangGraph构建智能体（Agents）。 使用 LangGraph 构建智能体时，你首先需要将其拆解为多个独立的步骤，这些步骤被称为 “节点”（nodes）。接着，你要定义每

LangGraph专注于构建智能体编排和运行时所需的底层核心能力。本文探讨这些核心能力以及它们的实现方式。 持久化能力（Persistence）、持久化执行、流传输、中断、时间回溯、记忆、子图。

LangGraph底层类Pregel（借鉴谷歌Pregel图计算模型实现）实现了LangGraph的运行时功能，负责管理 LangGraph应用程序的执行流程。 编译状态图（StateGraph）或创

阅读本文您将获得： - 函数式API的基础构成 - 入口点@entrypoint的定义及执行 - 任务@task的定义及执行 - 函数式API的使用约束 - 函数式API与图API的核心差异

一、图（Graphs） 从核心来看，LangGraph将智能体（agent）的工作流程建模为 “图”。你可以通过以下三个关键组件来定义智能体的行为： 状态（State）：一种共享数据结构，用于表示应用

LangGraph提供两种不同的API用于构建智能体工作流：Graph API和Functional API。这两种API共享相同的底层运行时环境，且可在同一应用中搭配使用，但它们针对不同的使用场景。

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

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。