LangChain和MAF框架通过工具调用机制实现Agent与环境的交互。LangChain的工具系统核心是BaseTool基类，支持同步/异步调用，并提供丰富的元数据描述（如名称、功能描述、参数Schema等）。其子类Tool和StructuredTool分别实现简单函数和结构化参数调用，其中StructuredTool通过args_schema支持复杂参数类型。工具可通过@tool装饰器快速转

如何执行的工具涉及一些较为敏感的操作，必需要经过人工审批才能执行，这时候就需要引入人机交互（Human-In-The-Loop）的机制。无论是LangChain还是MAF，都提供了相应的机制来支持人机交互，下面我们来看看它们是如何实现的。

对于Agent的每一次调用，Agent内部都采用ReAct循环调用LLM和工具，直到达到某个终止条件才会停止循环。由于Agent处理管道在LangChain和MAF中具有截然不同的涉及，所以针对ReAct循环的实现也有很大的差异，下面我们来看看它们是如何实现的。

MAF支持后台响应机制，通过ContinationToken处理长时间运行的操作，适用于复杂推理任务、易中断操作和延迟获取结果的场景。该机制允许Agent在后台处理请求并返回令牌，客户端可通过轮询获取最终结果。示例展示了在非流式调用中如何利用ContinationToken轮询旅游攻略生成任务的状态，直到操作完成。虽然LangChain原生不支持此功能，但可通过LangGraph SDK的Run对

AI Agent的结构化输出是指Agent在执行任务时，不再返回自然语言文本，而是严格按照预定义的格式（如JSON、XML、YAML 或特定数据对象）输出数据。这是将AI从**能聊天的Agent**演变为**能精确执行工业级业务流的系统**的核心技术。下来我们来看看LangChain和MAF是如何支持Agent的结构化输出的。

RAG技术有效解决了大语言模型的五大核心痛点：通过强制检索外部知识库消除幻觉问题，实时更新数据突破知识时效性限制，安全利用企业私有数据，提供可追溯的答案来源，并以极低成本实现知识更新。示例展示了RAG如何通过检索最新信息回答超出模型训练时间的问题，同时保持数据安全和答案透明度。

本文介绍了如何利用LangChain（Deep Agents）的MemoryMiddleware实现Agent的长期记忆功能。通过文件系统存储用户偏好，Agent能在不同会话间保持记忆，实现个性化响应。文中以点餐助手为例，演示了如何基于用户ID存储饮食偏好，使Agent能根据历史记录提供定制化服务。示例代码展示了记忆的读写过程，并验证了修改记忆文件可直接影响Agent行为，体现了Agent的自我学

对话历史作为核心的上下文信息，为LLM建立起对话的语境，是决定LLM响应内容的关键输入之一。对话历史中的每一条消息都绑定这一个固定的角色，典型的角色包括`System`、`User`、`Assistant`和`Tool`。但是这并不意味着每条消息一定要求都要由对应的角色生成，为了提供LLM推理的质量，用户和工具都能根据需求向对话历史注入消息，而且这些消息可以具有任意的角色，前提是消息的结构符合要求

Agent Skills是可移植的指令、脚本和资源包，赋予Agent专门化的能力和领域专业知识。Skill遵循开放规范，并采用渐进式披露模式，因此Agent只需在需要时加载所需的上下文。Agent Skills在不同个Agent开发框架中的实现可能会有所不同，但它们的核心理念是相似的。接下来我们就来看看Agent Skills分别在LangChain和MAF中的编程方式和实现原理。

本文介绍了两种动态配置ChatOptions的方法：1)通过ConfigureOptionsChatClient中间件动态切换AI模型，示例展示了交替使用gpt-5.2-chat和DeepSeek-V4-Pro模型生成幽默回复；2)通过AIContextProviderChatClient中间件结合CompactionProvider实现对话历史摘要功能，利用SummarizationCompac