ai agent知识

LangGraph为智能应用部署提供了一套完整解决方案。通过简单的命令行工具即可创建项目（如langgraph new）、安装依赖（pip install -e .）并启动服务（langgraph dev）。其支持本地开发和生产环境部署，提供可视化界面便于调试管理。开发者只需在模板文件中添加业务逻辑（如天气查询功能），就能快速构建智能应用。整个流程从初始化到上线运行都高度自动化，显著降低了智能应用的部署门槛。

本文介绍了LangGraph评估系统的完整流程，通过四个关键步骤实现对智能应用的全面评估。首先创建测试数据集（如使用LangSmith管理问答数据），其次定义目标函数调用智能应用，然后使用OpenEvals构建评估器进行结果比对，最后运行评估并分析结果。该系统通过自动化测试和反馈机制，可精准定位智能应用的优缺点，为优化提供数据支持。文中还展示了代码实现示例，并指出可能遇到的技术问题（如国内大模型参数兼容性问题），为开发者提供了实用参考。整个评估过程如同给智能应用做"体检"，确保其健康高效

本文介绍了LangGraph为智能对话系统设计的记忆机制，包含短期记忆（会话级）和长期记忆（跨会话）。长期记忆通过命名空间和键值对存储用户信息，支持读写操作和语义搜索。文章通过三个Python示例演示了：(1)保存用户信息到内存存储；(2)读取已存储的用户数据；(3)基于内容相似性搜索记忆项。这些功能通过InMemoryStore实现，并可与大语言模型（如通义千问）结合构建智能对话系统，展示了LangGraph在维护对话上下文和个性化服务方面的应用潜力。

LangGraph引入人工干预机制，提升智能对话系统的灵活性。通过interrupt工具，系统可在执行任务时暂停并等待用户输入，实现人机协作。例如在酒店预订场景中，用户可手动修改酒店名称。LangGraph还提供add_human_in_the_loop方法，便于将人工干预功能集成到现有工具中，无需重构系统。这种机制结合了机器高效性和人类判断力，优化了用户体验。

LangGraph提供了两种多智能体架构：监督者(Supervisor)和群体(Swarm)。监督者架构通过中央智能体协调任务分配，如预订旅行时分别调用酒店和航班助手；群体架构则让智能体根据任务需求动态协作，通过交接机制传递控制权。文中展示了两个Python示例：监督者模式下中央智能体按需分配任务，群体模式下智能体自行转交控制权。这两种架构都能有效处理复杂任务，其中交接机制(Handoffs)是实现智能体间无缝协作的关键技术。

本文介绍了如何使用 LangGraph 管理智能对话系统中的短期记忆，以实现流畅、连贯的对话。短期记忆通过跟踪对话历史记录来帮助智能体在多轮对话中保持上下文。LangGraph 提供了两种主要方式来优化短期记忆管理：总结和修剪消息历史记录。通过实际代码示例，本文展示了如何创建智能体并配置短期记忆工具，如 checkpointer 和 thread_id，以确保对话的连续性。此外，文章还详细讲解了如何使用 SummarizationNode 和 trim_messages 函数来总结和修剪消息历史记录，从而避

本文介绍了如何利用LangGraph框架构建智能体，并通过实际代码示例展示了上下文管理的三种方式：配置（静态上下文）、状态（可变上下文）和记忆（跨对话上下文）。首先，选择或定义模型（如阿里云的Tongyi大模型），定义工具函数，构建智能体并调用。示例中，智能体通过工具函数获取中国工商银行的保险信息。接着，文章详细说明了如何通过配置和状态管理上下文，包括自定义提示词和在工具中访问上下文。通过这些方法，智能体能够更好地理解和响应用户需求，实现高效、智能的交互。

工具是一种封装函数及其输入模式的方法，可以将其传递给支持工具调用的聊天模型。这使得模型能够通过特定的输入请求执行该函数。

要流式传输agent输出方式，将stream()或astream()方法与结合使用stream_mode=“updates”。这将在agent每个步骤后发出一个事件.

agent同步和异步执行，使用.invoke() / await .invoke() 表示完整响应，使用.stream() /.astream()表示增量流式输出。为了控制代理执行时避免无限循环，需要设置递归限制

使用Pydantic模型或定义TypedDict，自定义agent结构化输出

若要与agent进行多轮对话，在创建agent时，使用的是检查点包下的InMemorySaver，检查点在本示例代码中作为短期记忆。

agent由三个组件组成：大型语言模型 (LLM) 、一组可以使用的工具以及提供指令的提示

简单的使用阿里Tongyi大模型

python代码演示实现mcp， 使用LangGraph