LangChain 等 AI Agent 框架提供的内置中间件，本质上是为了让智能体更可靠、更安全、更省钱而设计的“通用增强插件”。它们将一些与核心业务逻辑无关的“横切关注点”（如日志、权限、重试等）从 Agent 的核心执行循环中解耦出来。核心作用：自动压缩对话历史，防止上下文超限。通俗讲解：当对话轮数过多，即将超出大模型的 Token 记忆上限时，它会自动把旧的聊天记录浓缩成一段简短的摘要，同

LangChain 等 AI Agent 框架提供的内置中间件，本质上是为了让智能体更可靠、更安全、更省钱而设计的“通用增强插件”。它们将一些与核心业务逻辑无关的“横切关注点”（如日志、权限、重试等）从 Agent 的核心执行循环中解耦出来。核心作用：自动压缩对话历史，防止上下文超限。通俗讲解：当对话轮数过多，即将超出大模型的 Token 记忆上限时，它会自动把旧的聊天记录浓缩成一段简短的摘要，同

LangChain 等 AI Agent 框架提供的内置中间件，本质上是为了让智能体更可靠、更安全、更省钱而设计的“通用增强插件”。它们将一些与核心业务逻辑无关的“横切关注点”（如日志、权限、重试等）从 Agent 的核心执行循环中解耦出来。核心作用：自动压缩对话历史，防止上下文超限。通俗讲解：当对话轮数过多，即将超出大模型的 Token 记忆上限时，它会自动把旧的聊天记录浓缩成一段简短的摘要，同

LangChain 等 AI Agent 框架提供的内置中间件，本质上是为了让智能体更可靠、更安全、更省钱而设计的“通用增强插件”。它们将一些与核心业务逻辑无关的“横切关注点”（如日志、权限、重试等）从 Agent 的核心执行循环中解耦出来。核心作用：自动压缩对话历史，防止上下文超限。通俗讲解：当对话轮数过多，即将超出大模型的 Token 记忆上限时，它会自动把旧的聊天记录浓缩成一段简短的摘要，同

agent调用工具非常简单--》@tool装饰去---》创建agent时---》传入可用工具【会自动读取工具的doc文档】--》LangChain会自己调用工具--》并返回给大模型---》最终输出。models 调用工具麻烦--》bind工具--》自己执行tool--》执行的结果，手动给 models--》大模型返回。比如：第一步输出了“调用工具的指令”，第二步输出了“工具执行的结果”。agent

agent调用工具非常简单--》@tool装饰去---》创建agent时---》传入可用工具【会自动读取工具的doc文档】--》LangChain会自己调用工具--》并返回给大模型---》最终输出。models 调用工具麻烦--》bind工具--》自己执行tool--》执行的结果，手动给 models--》大模型返回。比如：第一步输出了“调用工具的指令”，第二步输出了“工具执行的结果”。agent

agent调用工具非常简单--》@tool装饰去---》创建agent时---》传入可用工具【会自动读取工具的doc文档】--》LangChain会自己调用工具--》并返回给大模型---》最终输出。models 调用工具麻烦--》bind工具--》自己执行tool--》执行的结果，手动给 models--》大模型返回。比如：第一步输出了“调用工具的指令”，第二步输出了“工具执行的结果”。agent

工具调用的核心和function calling其实都一样本质还是调用两次大模型，第一次调用是告诉大模型我们的需求，追加到messages字典里面，然后第二次调用则是把字典里面的信息（包含需要调用什么工具）返回提交给大模型让大模型使用，之后大模型会利用工具来进行处理并返回结果。标准内容块解决了agent开发的一个痛点就是每个厂商对于接口的适配规则不同，如果某个厂商改了规则，那么代码如果用原生格式则

LangChain是一个开源框架，用于构建基于大语言模型（LLM）的智能应用。它通过模块化设计简化了LLM与外部数据、工具的集成，支持开发聊天机器人、文档问答等AI系统。核心组件包括模型集成、工具调用、记忆管理和结构化输出等功能。LangChain生态包含多个子项目：LangGraph（多智能体工作流）、LangServe（API部署）、LangSmith（监控平台）等。最新版本1.0提供了生产级

MCP（ModelContextProtocol）是一种客户端-服务端架构，旨在实现大模型与本地/远程功能的安全标准化通信。其核心包括：1）MCP Host作为用户交互界面；2）MCP Clients作为1:1连接的协议客户端；3）MCPServers作为轻量级功能服务端，通过标准化协议暴露特定功能。支持StreamableHTTP（主流）和Stdio（本地开发）两种通信模式，SSE已弃用。Fas