多智能体系统（Multi-Agent System, MAS）是由多个独立的、具有特定角色和能力的智能体组成，通过相互通信、协作共同完成一个复杂任务的系统。每个智能体是一个独立的子图，主图作为调度器，管理智能体之间的交互和任务流转。多智能体 = 多个子图 + 主图调度：每个智能体是独立的子图，主图负责管理交互流程角色提示词是关键：明确每个智能体的职责、输出格式和行为准则，是多智能体协作成功的核心状

按照这个方案部署后，你的 LangGraph Agent 系统就具备了生产级的稳定性、可扩展性和可维护性，可以安全地对外提供服务。

能将一个复杂任务分解为多个步骤并依次执行。实现一个能分解复杂任务的 Agent。

从原理→工具集成→从零实现 ReAct Agent，完整讲清楚 LangGraph 工具调用，并对比为什么它比 LangChain Agent 更灵活、更好定制。

LangChain 是全球最主流的大语言模型（LLM）应用开发框架，它将 LLM 应用开发的全流程能力封装成标准化、可复用的组件，彻底降低了复杂 AI 应用的开发门槛。它的核心设计思想是组件化、可编排、链式调用，开发者无需从零实现底层逻辑，只需通过组件拼接，就能快速搭建从简单聊天机器人到复杂自主 Agent、企业级 RAG 知识库的全场景 LLM 应用。RAG 全称，中文为检索增强生成。

简单来说，嵌入就是把文本转成一串数字（向量），这串数字能表示文本的语义含义。语义相似的文本，它们的向量距离很近语义不同的文本，它们的向量距离很远「人工智能」的向量 →「AI」的向量 →（和上面的距离很近）「猫」的向量 →（和上面的距离很远）向量存储的核心价值：用语义检索代替关键词匹配，能理解文本的语义含义Chroma 的优势：轻量、简单、和 LangChain 集成最好，适合入门和小项目核心步骤：

一个装饰器，把普通的 Python 函数包装成 LangChain 的 Tool 对象，供 Agent 调用。ChatOpenAI：大脑，负责思考：嘴巴，负责组织语言：笔记本，负责记东西：秘书，负责把笔记本里的内容递给大脑tool：工具箱，负责提供能力：指挥官，负责协调大脑和工具箱：望远镜，负责看外面的世界。

文档加载器是 LangChain 中负责把各种格式的非结构化文档（PDF、TXT、Word、PPT、网页、Markdown 等）加载成标准化Document对象的模块。因为大模型有上下文窗口限制（比如是 32k token），不能直接把整个几万字的文档放进去，所以需要用文本分割器把文档分割成小的、语义完整的文本块（Chunks）。

简单来说，Memory 是 LangChain 中存储和管理对话历史、中间结果、用户偏好的模块，它能把之前的对话内容自动注入到当前的 LLM 上下文中，让 LLM 知道「之前聊了什么」，从而实现连贯的多轮对话。：提示词里必须加，用来插入对话历史：记忆管理函数，根据会话 ID 返回历史：给 Chain/Agent 加记忆的核心类session_id：调用时必须传，用来区分不同会话。

AgentExecutor 是 LangChain 中负责运行 Agent、处理工具调用、管理执行循环、处理错误的核心类，它是 Agent 的「执行引擎」，没有它，Agent 只是一个静态的 Prompt + LLM 组合，无法真正运行。ReAct Agent 是基于ReAct 框架（Reasoning + Acting）的 Agent，它的核心思想是 **「先思考，再行动，根据结果再思考，再行动