今天我们学习了 LangChain 的底层逻辑： 你不再是直接和 LLM 对话，而是通过Prompt 构建业务逻辑-> 交给Model 去处理-> 通过Output Parser 提取想要的结果。有了这个流水线 (chain)，你就把一个大语言模型封装成了一个“具体的软件功能”。

多智能体系统的核心不只是 Prompt工作流编排比单轮调用更适合复杂任务状态管理和路由设计决定了系统是否可靠人工审核节点在真实业务里非常重要FastAPI 很适合把 Agent 工作流快速封装成服务如果只是做一个“能回答问题”的 Agent，其实并不难。真正有挑战的是：怎么让它按你设计的业务流程稳定运行，并且在关键节点允许人类接管。而这也是我觉得 LangGraph 这类框架真正有价值的地方。

LangGraph 中 Conditional Edge 是什么？它解决了什么问题？请解释什么是 LangChain，它的核心价值是什么？请解释 LCEL 是什么，以及它的优势。什么是 RAG？在 LangChain 中如何实现检索增强生成？什么是 LangChain Agent？它和普通 Chain 有什么区别？如何在 LangChain 中集成自定义工具？你了解 Agentic RAG 吗？它

Kimi 可以变成操控电脑、查询数据库、调用 API 的‘超级大脑’。本文将带你通过 Kimi 最新发布的 K2.5 模型，实现一个全能助手。“很多人在使用 Kimi API 时还停留在简单的文本对话。这种设计模式极大地提高了代码的可扩展性，增加新功能只需修改。和增加类方法，无需动核心循环逻辑。

昨天我们的代码里，是用来判断并手动执行工具的。 但如果用户的问题是：“帮我查一下北京的天气，然后查一下我日历上今天的日程，根据天气和日程，帮我写一封邮件给老板请假。”在这个场景里，AI 需要连续调用3次甚至更多次工具（查天气 -> 查日历 -> 发邮件）。如果我们还用手工写和循环，代码会变得极其臃肿且难以维护。解决方案登场：Agent 框架 (以 LangGraph 为例)今天我们要学的，就是如何

Tools (工具) 的本质，其实就是一个传声筒。大模型想要某个数据（比如获取某个城市名称的天气），它把参数通过传声筒递给程序员；程序员用任何自己喜欢的 Python 代码（请求外部API、查本地数据库、甚至去读一个 Excel 文件）拿到真实数据后，再通过传声筒把结果塞回给大模型。这就是目前市面上所有高级 AI Agent（包括 LangGraph、CrewAI 等框架）最底层的运行逻辑。只不过

昨天我们的代码里，是用来判断并手动执行工具的。 但如果用户的问题是：“帮我查一下北京的天气，然后查一下我日历上今天的日程，根据天气和日程，帮我写一封邮件给老板请假。”在这个场景里，AI 需要连续调用3次甚至更多次工具（查天气 -> 查日历 -> 发邮件）。如果我们还用手工写和循环，代码会变得极其臃肿且难以维护。解决方案登场：Agent 框架 (以 LangGraph 为例)今天我们要学的，就是如何

昨天听闻小米的大模型出来之后，今天就马不停蹄的试了一下，确实在代码方面算是国内top级别，最主要的是目前还是免费开源的。首先mimo官网上就给了我们如何去接入Claude code教程，但是对于没有使用过Claude code 的同志们来说还是不够详细。验证安装：node --version和 npm --version。三、配置 MiMo API 密钥（ PowerShell）注意：这里一定要有

侧边栏：用于切换不同的任务窗口，支持多任务并行对话/任务区域：在这里输入你的需求，并查看WorkBuddy的执行过程结果展示面板：查看和下载生成的产物，如文档、表格、PPT等。

昨天听闻小米的大模型出来之后，今天就马不停蹄的试了一下，确实在代码方面算是国内top级别，最主要的是目前还是免费开源的。首先mimo官网上就给了我们如何去接入Claude code教程，但是对于没有使用过Claude code 的同志们来说还是不够详细。验证安装：node --version和 npm --version。三、配置 MiMo API 密钥（ PowerShell）注意：这里一定要有