Agent，这是LangGraph后续构建Graph图的基础。但其实Agent并不是LangGraph框架当中独有的。甚至Agent 并不是一种技术，而是我们设想的一种理想的大模型工作模式。那么到底什么是Agent?或者说AI行业心目中理想 的Agent应该是什么样子呢?LangGraph实际上给我们提供了一种理解。而这个理解，或许比具体实现更重要。这一章节，我们重点在演练LangGraph中Ag

从LangGraph的整个演练过程可以看到， LangGraph的核心是Graph。Graph其实是一个与大模型没有直接关联 的，处理复杂任务的流程结构。LangGraph或者说整个LangChain系列，其实是将传统的软件构建经验与大语言模 型的能力进行结合，从而进一步打造出强大的智能体，解决更多实际的复杂问题。这也进一步验证了，大语言模型 未来的发展方向，一定是需要与传统应用相结合，这样才能更

典型应用场景中，KeyStrategyFactory更适合需要部分状态更新的工作流（如RAG场景中query参数需替换而documents参数需追加）39，而OverAllStateFactory更适用于简单的一次性状态替换场景。比较注意的我现在用的豆包、deepseek 开始输出固定key 为空，这个不知道是大模型能力问题。还是我写代码的问题导致。1、根据芋道源码中的AiChatMessageS

确保你的 CentOS 7 系统已经安装了 Docker。(2) 下载docker-compose.yml 可以手动或使用以下命令创建Yml。(4) 修改docker-compose.yml 文件中的版本号与images版本号一致。（1） 服务器上没有docker-compose时。(3) 给yml赋权。

了解了这个案例后，就可以看出， MCP其实只是大模型工作机制的一种应用层的协议。MCP协议虽然极具大模型的应用特色，但是本质上，MCP协议本身不包含任何具体的工具实现。他只是用协议 的形式规定了应用程序如何向大模型提供函数调用的能力。至于为什么MCP服务使用起来这么简单，其实是Cline这样的工具封装了客户端的实现能力。这是工具的一种简 化实现，和MCP协议本身是没有太大关系的。这个关系就好像我们

典型应用场景中，KeyStrategyFactory更适合需要部分状态更新的工作流（如RAG场景中query参数需替换而documents参数需追加）39，而OverAllStateFactory更适用于简单的一次性状态替换场景。比较注意的我现在用的豆包、deepseek 开始输出固定key 为空，这个不知道是大模型能力问题。还是我写代码的问题导致。1、根据芋道源码中的AiChatMessageS

在了解了LangGraph中如何构建Agent智能体之后，接下来就要进入LangGraph的重头戏，Graph了。Graph是 LangGraph的核心，它以有向无环图的方式来串联多个Agent，构建更复杂的Agent大模型应用，形成更复杂的工 作流。并且提供了很多产品级的特性，保证这些应用可以更稳定高效的执行。

了解了这个案例后，就可以看出， MCP其实只是大模型工作机制的一种应用层的协议。MCP协议虽然极具大模型的应用特色，但是本质上，MCP协议本身不包含任何具体的工具实现。他只是用协议 的形式规定了应用程序如何向大模型提供函数调用的能力。至于为什么MCP服务使用起来这么简单，其实是Cline这样的工具封装了客户端的实现能力。这是工具的一种简 化实现，和MCP协议本身是没有太大关系的。这个关系就好像我们

LangGraph是一个功能非常强大的大语言模型本地应用构建框架。不只是包含了各种基于大语言模型构建本地应用 的工具，更重要的是，他积累了非常多使用大语言模型构建本地应用的经验，并且将这些经验总结成了非常多的案 例，让大家可以直接使用。但是，LangGraph并不是一个独立的框架，他是LangChain框架的一个生态组件。所以，如果脱离LangChain来介 绍LangGraph，那纯粹是耍流氓。

随着多模态LLM和具身智能的发展，新一代Agent架构呈现三大趋势：1. 动态模式切换：根据场景自动选择最优工作模式2. 跨Agent学习：通过联邦学习共享知识经验3. 自我架构演进：自动重构自身工作流程“优秀的智能体架构如同交响乐团，模式是乐章的编排逻辑，而LLM是演奏家的技艺根基。唯有精密协同，方能奏响AI的华彩乐章。