以高德地图景点搜索为例，我们封装一个description = "根据关键词和城市搜索景点，返回名称、地址和是否需爬山"params = {"key": "你的高德API_KEY","city": "上海","types": "风景名胜|博物馆|展览馆"# 简单规则：名称含“山”“峰”视为需爬山needs_hiking = "山" in name or "峰" in name。

Langchain 中支持多种为大模型绑定工具的方式, 常用的有两种, 一种是直接调用 chat_model 的 bind_tools, 一种是在 create_agent 时通过参数tools来指定, 两种方式的使用示例如下:这两种直接绑定工具方式的区别是什么?在使用过程中你有没有疑惑, 并进行对比过?

看到这个标题的朋友也许会觉得很奇怪, 一个方法有什么好解读的, 不是很简单的事情吗?看下参数有那些, 知道怎么用不就行了吗?还真不是, 生成结构化的输出是在通过 API 调用大模型处理任务时最普遍的一个能力诉求.模型结构化输出的能力即可以方便解析模型输出, 也能方便函数函数调用,允许模型带有 FunctionCall 的能力. 同时模型稳定的结构化输出还有助于提升 Agent 系统的稳定性, 减少

!

并非所有对话内容都值得存入长期记忆。盲目记录不仅浪费存储资源，还会在检索时引入噪声。我们需要一套清晰的记忆触发规则用户明确偏好：如“我只喝无糖饮料”、“讨厌周一开会”；任务执行结果：如“已成功预订 3 月 15 日北京到上海的航班”；关键实体与关系：如“张总是我的直属领导”、“项目 Alpha 的截止日期是 4 月 1 日”。这些信息具有高价值、低频变更、跨会话复用的特点，是长期记忆的理想候选。?

Agent面试核心围绕工具调用、规划能力、记忆机制和可靠性设计展开Function Calling是基础，LangChain提供工程化框架，反思与多Agent是进阶能力理解AutoGPT和多模态Agent体现对技术演进的把握。

角色一致性，指的是在多次独立生成过程中，AI能够稳定复现同一角色的身份特征——包括面部结构、发型、服饰风格、甚至微妙的表情倾向。这一能力在IP角色批量生成、虚拟偶像运营、儿童绘本系列制作等场景中至关重要。例如，一家动画公司希望基于一张概念图自动生成主角在100个不同情境下的画面，若每次生成的角色都“换脸”，整个项目将失去视觉统一性，大幅增加后期修正成本。

choices。

不同厂商的大模型在处理 thinking/reasoning 输出时，格式和解析方式存在显著差异。本文档基于 LangChain 1.0 的标准化处理方式，对比 Gemini、豆包（Doubao）和 Deepseek 三个主流厂商的实现差异。| 特性 | Gemini | Deepseek | 豆包 | Claude |Thinking 格式XML |启用方式| 模型选择reasoner| 模型选

Agent 节点（决策是否检索）"""Agent 决策是否需要检索"""Retriever 工具（检索文档）"""搜索 ModelScope 相关知识"""result = f"【文档。