陈暖秋

1. 先建立一个正确心智模型 一句话： DeepAgents：高层“开箱即用”Agent Harness（总控框架） LangChain：通用能力层（模型/工具/RAG/输出等积木） LangGrap

用五张超详细思维导图，层层拆解索引构建的完整流程，直达检索增强生成的“中枢神经”，新手也能快速建立全局认知。

本文围绕 RAG（检索增强生成）技术展开介绍，涵盖其核心逻辑、完整流程及基于 LangChain 框架的实操实现。

1. 职业定位与转型目标 前端转型 Agent 开发的核心不是“从 0 改行”，而是将你已有的交互与工程优势，升级为智能系统设计与交付能力。 过去：页面交互 + API 调用 现在：意图理解 + 多步

前面系列地学习过 AI中的一种开发框架 LangChain，今天继续新框架 LanGraph。它超越了LangChain的线性工作流，通过循环支持复杂的任务管理。

OpenHarness是一个开源的 Python Agent 基础设施框架，实现了完整的 Agent Harness 模式，非常适合作为搭建自己的agent harness系统的学习资料

第3章 Runnable 与 LCEL 表达式语言 本书章节导航 前言 第1章 为什么需要理解 LangChain 第2章 架构总览 第3章 Runnable 与 LCEL 表达式语言 （当前） 第4

在大模型应用开发中，对话系统是最常见的场景之一。LangChain 作为大模型应用开发框架，在 v1.0 版本中进行了架构大重构，摒弃了旧版冗余组件，引入了更简洁、可扩展的 LCEL。

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