LangGraph三大特殊API详解：Command、ContextSchema和Send分别解决了状态流程控制、运行时依赖注入和动态并行分支三大核心问题。Command通过统一返回值实现状态更新与流程跳转的原子操作，适用于中心化路由场景；ContextSchema支持安全注入敏感配置和运行时依赖；Send则实现了Map-Reduce模式的动态并行处理。这三个API共同扩展了LangGraph的能

​@tool"""两个整数相加"""​# 调用工具​# 查看工具元信息print(f"{add_number.description=}") # add_number.description='两个整数相加'print(f"{add_number.args=}")# 参数字段定义更清晰的参数描述更好的类型验证支持默认值、默认值校验等高级功能"""..."""pass工具调用要点概念说明@tool

本文介绍了LangChain中的记忆系统实现方案，主要包括三种方法：基础方案使用InMemoryChatMessageHistory实现内存存储，简单但无持久化；进阶方案通过RunnableWithMessageHistory自动管理对话历史，支持多会话；持久化方案采用RedisChatMessageHistory实现跨会话记忆存储。这些方案解决了大语言模型无状态的问题，使对话系统能够记住上下文，

LangGraph是LangChain生态中的有状态多代理应用构建库，其核心思想是将业务逻辑建模为有向图，由节点(Node)和边(Edge)组成，数据以状态(State)在节点间流转。主要特点包括： 四大核心要素： State：共享数据容器(TypedDict字典) Node：处理函数，接收并更新State Edge：定义节点执行顺序 Graph：组装节点和边形成应用 关键机制： Reducer：

本文详细介绍了LangChain框架中的Agent（智能体）技术，重点解析了其核心概念、ReAct推理模式、create_agent高级API使用方法，以及Agent-to-Agent（A2A）多智能体协作架构。文章通过三个实战案例（电商助手、天气查询助手和出行规划系统）展示了Agent的开发流程，对比了Agent与传统链式调用的优势，强调其动态决策、工具调用和循环推理能力。特别深入讲解了A2A架

项目内容功能MCP 服务端提供工具，客户端由 LLM 自动判断调用哪个工具工具(网页抓取)、(天气查询)通信协议组件实现服务端极简版 MCP 服务类，无第三方依赖工具注册装饰器模式客户端LLM 自动判断工具调用工具描述动态生成 OpenAI function calling schema通信协议理解了 MCP 协议的基本工作原理掌握了 LLM Function Calling 的使用实现了 Too

摘要： LangChain LCEL（LangChain表达式语言）是一种声明式、函数式组合LangChain组件的语言，核心理念为“一切皆Runnable”。通过管道符|串联组件（如Prompt、Model、Parser），实现顺序链（RunnableSequence）。并行链（RunnableParallel）可同时执行多条子链并合并结果；分支链（RunnableBranch）根据条件动态选择

本文深入解析了RAG（检索增强生成）技术的完整实现流程，从文本向量化原理到实际应用开发。主要内容包括：1. 文本向量化核心概念：详细讲解Embedding模型的工作原理、主流模型对比及余弦相似度计算方法；2. RAG全流程实现：涵盖文档加载、文本分割、向量存储、相似度检索等关键环节，并提供FAISS向量数据库的实战示例；3. LangChain开发实践：演示如何构建完整的RAG问答系统，包括链式调

Output Parser 是 LangChain 中用于将大模型自由文本输出转换为结构化数据的工具。最简单、最基础的输出解析器。从结果中提取 content 字段转换为字符串输出。​# result 现在是字符串类型将大模型的自由文本输出转换为结构化 JSON 数据（dict 类型）。

本文介绍了LangChain实现多轮对话的核心方法。主要内容包括：1)多轮对话与单轮对话的区别，前者能记住历史上下文；2)对话历史管理，包括手动添加消息和使用MessagesPlaceholder占位符；3)多种记忆机制：BufferMemory完整保存历史、TokenBufferMemory控制token消耗、SummaryMemory自动总结、VectorStoreMemory语义检索；4)实