工具调用不是“模型执行函数”，而是一次消息协议 + 图路由 + 本地执行LLM 直接调用了 Python 函数实际上不是。LLM 不会进入你的 Python 进程，也不会真的执行这些函数。Python 函数v@tool 包装成 BaseTool / StructuredToolvcreate_agent() 把工具 schema 绑定给模型v模型返回 AIMessage.tool_callsvLa

为什么一行能切换不同厂商response = model.invoke("你好，介绍一下 LangChain")从使用者视角看，这叫“统一模型入口”。v解析 provider 和 model namev根据 provider 找到集成包和 ChatModel 类v动态 import 供应商包v实例化具体 ChatModel，例如 ChatOpenAIv返回 BaseChatModel 统一接口上层

Middleware 不是装饰器语法糖，而是被编译进 Agent 图里的节点和包装器上一篇我们讲了如何自动组装 LangGraphStateGraph。这一篇继续往下看 Middleware。try:tools=[],看起来只是把几个函数塞进。-> 收集中间件 hook-> 把 before/after hook 变成 graph node-> 把 wrap_model_call 组合成模型调用洋

前几章讲了项目实战，有同学可能对源码的实现感兴趣，接下来我们将进入LangChain 源码学习。在学习源码容易犯一个错误：直接搜索某个类，然后顺着调用一路跳。比如想看，就直接打开。想看，就去找__or__。想看 OpenAI 模型调用，就直接点进ChatOpenAI。这样当然能读到代码，但很快会迷路。负责核心接口和基础抽象。langchain负责高层入口、Agent harness、模型初始化和中

前面我们已经做过个人知识库问答助手、客服机器人、SQL 查询助手、代码审查 Agent 和多 Agent 日报系统。这些项目解决的是单点能力。多个部门都要上传文档。不同用户只能看自己有权限的文档。支持 PDF、Word、Markdown、网页、内部 Wiki。文档更新后要增量入库。用户提问时要返回答案和引用来源。管理员要看到 QPS、延迟、Token 消耗、用户活跃度。出问题时要能追踪每一次检索、

Researcher Agent -> Writer Agent -> Reviewer Agent -> 最终日报看起来很清楚，但真实项目里会出现一堆细节问题。Researcher 查到的任务数据不完整，Writer 却开始自由发挥。Writer 写得很像总结，但缺少工时、阻塞和明日计划。Reviewer 发现问题后，只给一句“需要修改”，没有结构化修改意见。多个 Agent 共享完整上下文，t

前面我们已经做过个人知识库问答助手、客服机器人、SQL 查询助手、代码审查 Agent 和多 Agent 日报系统。这些项目解决的是单点能力。多个部门都要上传文档。不同用户只能看自己有权限的文档。支持 PDF、Word、Markdown、网页、内部 Wiki。文档更新后要增量入库。用户提问时要返回答案和引用来源。管理员要看到 QPS、延迟、Token 消耗、用户活跃度。出问题时要能追踪每一次检索、

前面我们已经做过个人知识库问答助手、客服机器人、SQL 查询助手、代码审查 Agent 和多 Agent 日报系统。这些项目解决的是单点能力。多个部门都要上传文档。不同用户只能看自己有权限的文档。支持 PDF、Word、Markdown、网页、内部 Wiki。文档更新后要增量入库。用户提问时要返回答案和引用来源。管理员要看到 QPS、延迟、Token 消耗、用户活跃度。出问题时要能追踪每一次检索、

用户问题 -> LLM -> 回复这个 demo 很快能跑。用户上一轮已经说过订单号，下一轮机器人又问一遍。FAQ 文档里明明有规则，但机器人开始自由发挥。用户说“我要退款”，机器人不知道是解释规则还是发起退款。高风险操作没有人工审批。用户明确要求“转人工”，机器人还在继续话术安抚。同一个用户下次再来，系统不记得他的偏好和历史问题。出问题后，只能看到最终回答，看不到工具、检索和决策过程。

如何创建一个能调用工具的 Agent。Middleware 如何控制模型调用、工具调用和人工审批。LangGraph 如何表达复杂状态图。多 Agent 如何通过 Supervisor 或 Swarm 协作。这些内容解决的是“怎么把 LLM 应用写出来”。但真实项目还会遇到另一个问题：写出来之后，怎么让前端、其他服务、测试工具、外部系统调用它？也就是部署问题。