Memory记忆系统主要建立线程内短期记忆、跨线程长期记忆、两者与业务数据库的边界，以及最小代码闭环。记忆抽取模型、向量检索优化、复杂摘要策略和数据库部署细节留给后续专题。

LangChain Event Streaming 技术解析 LangChain 的事件流(Event Streaming)机制为开发者提供了更精细的Agent运行时观察能力，本文将深入解析其核心概念和技术实现。 1. messages()投影详解 messages()投影不仅处理文本token，还能处理多种消息内容： for message in stream.messages(): # 处理工

本文精读 LangChain Runtime，说明运行时如何把用户身份、长期记忆、工具进度、执行信息和服务端身份注入工具与中间件，让 Agent 更易追踪、审计和生产治理。

本文精读 LangChain Messages，具体讲解 SystemMessage、HumanMessage、AIMessage、ToolMessage 的职责，以及 content_blocks、tool_calls、usage_metadata 如何支撑多轮对话、工具调用、多模态输入和成本追踪。

本文精读 LangChain MCP 文档，梳理外部工具、资源和提示词如何接入 Agent Runtime，重点说明多服务连接、传输方式、有状态会话、结构化结果与拦截器，帮助理解 MCP 的工程价值。

LangChain 的 Tools 文档讲的不是“给模型加几个函数”这么轻的事情，而是在定义 Agent 和外部世界之间的行动协议。@tool 负责把函数包装成模型可见的契约；args_schema 负责把参数结构化；ToolRuntime 负责让工具读取状态、上下文、长期记忆和执行信息；Command 与 ToolMessage 让工具结果回到 Agent 循环...

本文精读 LangChain MCP 文档，梳理外部工具、资源和提示词如何接入 Agent Runtime，重点说明多服务连接、传输方式、有状态会话、结构化结果与拦截器，帮助理解 MCP 的工程价值。

LangChain 的 `Agents` 文档篇，主要讲的是：不要只把 Agent 理解成“会调用工具的模型”，而要把它理解成一个围绕模型循环构建出来的可配置运行结构。

LangChain 是一个将大模型接入真实应用的 Agent 框架，通过"Model + Harness"架构将模型能力与提示词、工具、状态管理等结合。安装需区分核心包（langchain）与供应商集成包（如langchain-openai），密钥应通过环境变量配置而非硬编码。框架包含三个层级：LangChain 提供基础 Agent 能力，LangGraph 处理复杂流程编排，Deep Agen

本文精读 LangChain Structured Output 官方文档，围绕 response_format、ProviderStrategy、ToolStrategy、structured_response 与错误重试，解释如何把 Agent 的自然语言结果变成可校验、可入库、可交付业务系统的数据契约。