本文阐述Streamlit因与Agent状态同步而成为首选前端，详解其七种核心组件，实战搭建动态转接、流式输出的多智能体可视化驾驶舱。

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六大模块，构建出带记忆、能自主决策的智能体，彻底解决此前痛点，打造实战级RAG Agent。

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，掌握现代 AI Agent 的核心构建范式。

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（Multi-Agent）实现职责分离，并通过 IT 运维实战融合三者，构建可落地的生产级 Agent 系统。

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）即插即用各种外部工具（Server）。

本文详解Swarm的核心机制、代码实战及与 LangGraph 的架构差异。通过去中心化的 Handoff 机制，Agent 可自主转接任务，配合共享上下文实现信息传递。相比 LangGraph 的中央调度，Swarm 更适用于客服、导购等自由协作场景。

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框架。

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（create_tool_calling_agent）与SQL专用Agent（create_sql_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。

本文介绍了Agent开发入门与环境搭建。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。文章提供了极简环境搭建方案（pip安装+API key获取），并演示了首个智能体运行示例。