艾醒的博客

本文深入解析LangChain 1.0中Agent记忆机制，澄清“内存=短期、数据库=长期”的常见误解。核心观点：短期记忆绑定thread_id（会话），长期记忆绑定user_id（用户），分界线在于生命周期归属而非存储介质。短期记忆由Checkpointer管理，通过thread_id实现会话内上下文延续；长期记忆基于BaseStore或向量库，支持跨会话偏好与知识积累。文章详解InMemorySaver与PostgresSaver的适用场景，并强调生产环境应结合持久化检查点与结构化长期记忆，构建可信赖、

本文深入解析 Agent 工具设计的核心：工具是模型与真实世界交互的唯一接口，其 name、description 与 args_schema 构成模型决策依据，本质即提示词工程。文章系统讲解环境配置、模型加载（支持 OpenAI 兼容多厂商）、三种工具定义方式（@tool、StructuredTool 等）的 API 细节，并强调良好文档对工具调用准确性的关键作用，涵盖 MCP 协议接入、多工具调用实践与常见陷阱，为构建高效可控的 Agent 提供完整工程指南。

Agent以大语言模型为决策核心，通过循环调用工具实现多步任务自主执行。其本质是“模型+提示工程框架”（Harness），将任务分解、工具选择与路径调整交由模型在运行时动态决定。核心架构包含感知、认知中枢、记忆、工具与执行五大模块，形成“思考—行动—观察”的闭环。关键在于工具描述的精准性与上下文构造的有效性，而非模型本身。LangChain的create_agent提供了可配置的工程化实现，使复杂任务自动化成为可能。

提示词工程（Prompt Engineering）是大模型应用开发的核心环节，手写字符串拼接提示词难以维护、无法迭代调优。LangChain‑Core 的 Prompt 模板体系，就是把提示词工程**代码化、工程化**。本文先讲解提示词工程基础方法论，再结合 RAG知识库问答、代码助手、企业客服、Agent 系统指令真实业务场景，讲解API、核心参数、partial半成品模板、对话模板、LangSmith Hub模板仓库、生产踩坑与最佳实践，附带完整可运行Python示例。

本文详细解析了LangChain 1.0中Runnable的核心设计思想与实现原理。Runnable作为统一接口，为所有功能组件提供了五种标准执行方式（invoke、batch、stream等）。文章通过真实代码演示和输出分析，对比了ChatPromptTemplate和@tool工具两类基础Runnable的执行行为差异，并深入解析了ChatModel、RunnableLambda等进阶组件的特性。重点总结了各类Runnable的生命周期事件和输出格式，揭示了LCEL管道语法的底层实现机制。最后提供了全类

本文是一篇详细指导如何在LangChain中调用不同大模型的教程，主要面向新手开发者。文章首先区分了LangChain中的两类模型：LLM文本模型和ChatModel对话模型，并指出其关键区别在于是否需要使用.content获取输出。 文中提供了多种主流模型的原生调用方法，包括DeepSeek、通义千问、OpenAI、Ollama本地模型和vLLM本地推理服务，对每个模型的关键参数进行了详细解释。特别强调了不同模型在参数设置上的区别和常见错误点。 为了解决原生调用方法存在的代码混乱、切换模型麻烦等问题，文章

LangChain 1.0 重构底层 Runnable 原语，统一调用规范，提供 batch、abatch、stream、astream 等五种核心调用形态。本文详解批量、异步并发、流式、事件监听全套 API，涵盖参数配置、踩坑点及生产级代码，助力开发者规避限流、显存溢出、任务卡死和链路

当我们调用大模型对话接口时，模型并不能自动记忆聊天历史。每一次调用 LLM 都是一次独立无状态请求。Messages 是 LangChain 1.0 中构建对话、Agent、RAG 应用的基石。很多开发者写多轮对话记不住上下文、多模态调用异常、工具调用报错，根源大多是对消息对象理解不到位。本文结合 LangChain 官方文档，从底层概念、消息类型、三种调用方式、多模态 Content‑Blocks、序列化持久化、实战案例以及踩坑点完整讲解 Messages。

在 LangChain 0\.x 版本的工程落地中，开发者普遍面临一个棘手问题：**大模型厂商适配成本极高**。不同厂商的文本输出、思维链结构、多模态数据解析规则完全割裂，切换 OpenAI、DeepSeek 等模型时，必须重构解析代码、适配差异化接口格式，不仅代码冗余严重，还极大限制了多模态 RAG、智能 Agent 等业务的通用性

LangChain大模型API调用稳定性解决方案 本文介绍了LangChain 1.0中两大核心稳定性工具：.with_retry()自动重试机制和InMemoryRateLimiter速率限速器的组合使用方案。这两种机制分别解决大模型API调用中的不同问题： 速率限速器：作为事前防护，通过限制每秒请求数量，主动匹配服务商的QPS限制，避免触发429限流报错和服务器拥堵。 重试机制：作为事后兜底，采用指数退避+随机抖动策略，智能处理网络抖动、临时超时等瞬时故障，避免暴力重试加剧拥堵。

本文对《LangChain 1.0 入门》系列八讲进行系统梳理，按“接口层、接入层、运行层、语义层”四层架构重构知识体系。强调Runnable为统一接口基石，模型接入依赖标准化配置，稳定性由重试与限速保障，而消息、提示词与结构化输出共同支撑业务语义。提出分阶段学习路径与复习策略，帮助开发者从零搭建可上线的生产级应用，突破“学完不会用”的瓶颈。

LangChain 1.0重构结构化输出，以with_structured_output统一API，支持Tool与Provider双策略，联动Pydantic强校验，实现字段约束、非法数据自动修正及嵌套复杂结构解析，适配多模型与生产环境。