文章摘要： 本文系统介绍了LangGraph中的记忆，记忆分为短期记忆和长期记忆两类。短期记忆作用于单个线程，保存对话状态等数据，可通过截断、删除、摘要和检查点四种方法管理；长期记忆作用于整个应用，支持跨线程共享。文章详细阐述了两种记忆的实现方式，包括使用Postgres数据库进行持久化存储的代码示例，展示了如何在对话系统中有效利用记忆机制来提升交互体验。关键技术点包括：短期记忆的自动继承、历史对

本文完成了一个简单的同时也比较典型的RAG。涉及PDF文件加载，文件分块、向量化及存储，从向量库进行语义检索获取相关数据，最后用一个图把所有的组件贯穿起来。

本文介绍了如何将MCP（多工具调用协议）集成到智能体系统中。首先阐述了两种创建MCP服务的方法：本地服务和远程服务，分别通过Python示例展示了实现计算器工具和搜索引擎工具的步骤。然后详细说明了智能体如何连接MCP服务并获取工具列表，最终将这些工具集成到基于LangGraph构建的聊天机器人中。整个过程包括MCP服务的安装、创建、部署以及与智能体系统的对接，为实现智能体工具调用的标准化提供了完整

本文介绍了大模型与工具协同工作的机制。工具作为函数扩展了大模型能力，但实际执行由智能体完成。文章详细展示了如何创建工具（如加法工具）、在agent中动态选择工具子集、在工作流中绑定工具节点等实现方法，并提供了工具定制（命名和输入模式定义）的示例代码。

OpenWebUI的联网搜索功能增强了上下文，可实时获取最新的信息。本文讲解了如何通过环境变量启用联网搜索，然后把有关搜索的主要代码进行了分析。

本文基于MCP创建监督者架构多智能体，首先基于langgraph_supervisor库中的create_supervisor创建监督者智能体，然后部分手搓实现监督者架构多智能体，最后再说明如何简化智能体之间交接时的数据传递。

本文介绍了如何在LangGraph中使用LangChain集成大模型。主要内容包括：1) 两种初始化大模型的方法（传统方法和init_chat_model）；2) 在工作流和Agent中使用大模型，支持动态选择不同模型（如qwen-plus和deepseek-chat）；3) 模型配置技巧：禁用流模式、设置容错后备模型（主模型失效时自动切换）和实现限流控制（通过InMemoryRateLimite

本文分析了对话请求的处理流程，主要包含以下内容： 请求入口为/threads/{thread_id}/runs/stream端点，接收包含消息内容和流模式参数的JSON请求。 系统使用Redis的PUB/SUB机制实现请求方和处理方的解耦，确保实时性。核心方法为 stream_run，在stream_run中创建run记录并订阅对应的频道 ，然后从频道中获取发布的数据并以流式应答返回。

本文详细介绍了LangGraph中人机回环的三种使用模式：审批模式、修订模式和工具调用检查模式。审批模式通过中断机制实现类似OA工作流的审批流程，用户可对AI生成内容进行审批；修订模式允许用户修改AI输出的内容；工具调用检查模式则用于验证工具调用的正确性。文章通过代码示例展示了如何实现审批模式和修订模式的工作流，包括节点设置、中断触发和流程恢复。同时介绍了两种调试方法：在创建图时设置断点或在调用时

本文介绍了基于JSON格式的长期记忆存储系统，该系统支持多级命名空间存储，开发和测试可使用内存，生产环境需数据库支持。通过HuggingFace嵌入模型实现语义搜索功能，演示了创建存储、保存用户信息（如姓名和兴趣话题）的代码示例。系统提供读写工具，包括get_user_info和save_user_info函数，并通过LangChain代理机制实现数据访问和更新。存储内容采用结构化方式组织，支持基