Wang的专栏

本文摘要：文章系统性地介绍了AI Agent开发的技术全景，从基础认知到核心框架（LangChain、LangGraph、CrewAI），再到关键技术（RAG检索增强生成、记忆管理、向量数据库选型）。通过具体代码示例展示了LCEL轻量编排、多智能体协作等核心技术的实现方式，并分析了生产环境中的重难点（检索策略调优、记忆生命周期管理）。最后展望了AI Agent未来发展趋势，包括人机协同成为标配、模型成本趋近免费等方向。文章为开发者提供了从理论到实践的完整技术路线图。

摘要 CrewAI多智能体营销策略生成器项目通过YAML配置实现多角色AI协作，自动完成从市场分析到创意文案的全流程。项目包含四个核心智能体（市场分析师、营销策略师、内容创作者和创意总监）和五个任务流水线，采用层级管理模式确保输出质量。通过Pydantic数据模型规范输出格式，项目结构清晰，配置与代码分离，只需配置API密钥即可运行。案例以"智能会议记录仪"为示例产品，展示如何生成完整的营销策略方案，包括市场洞察、营销计划、创意活动和最终文案。该项目体现了CrewAI框架在快速构建工业级多智能体应用方面的优

本文介绍了一个基于CrewAI的游戏开发助手系统，模拟真实软件开发流程。该系统包含三个角色：高级工程师负责编码，QA工程师负责审查，首席QA进行最终评估。工作流采用顺序执行模式，通过Python脚本实现从需求文档到可运行游戏代码的自动生成。文章详细说明了系统架构、核心实现（包括Agent和Task定义）以及完整的贪吃蛇游戏生成示例代码，展示了如何通过多智能体协作实现"生成-检查-修正"的自动化开发流程。该系统不仅适用于游戏开发，也可扩展到其他软件工程场景。

CrewAI多智能体框架核心组件解析 CrewAI框架包含六大核心组件： Agent - 基础执行单元，支持YAML配置或代码定义 Task - 工作项，支持依赖关系和结构化输出 Crew - 团队管理，组合Agent和Task Flow - 编排多个Crew，实现复杂业务流程 Knowledge - 知识库管理，支持文本和URL加载 Memory - 提供短期/长期/实体/情境记忆功能 框架支持配置式和代码式两种开发风格，通过修饰符实现事件驱动编排。典型应用场景包括研究分析、内容生成等协作任务，示例展示了

摘要： CrewAI是一个开源的多智能体协作框架，通过配置化和约定式设计简化开发流程。其核心概念包括Agent（智能体）、Task（任务）、Crew（团队）和Flow（流水线），支持快速构建自动化业务流程。本文介绍了安装方法（pip install crewai或脚手架工具），并通过一个翻译团队示例（包含翻译员和校对员）演示了基本用法：定义Agent角色、分配Task任务、组建Crew团队并执行。CrewAI适合快速原型开发，而复杂场景可通过Flow编排多个Crew实现。相较于LangChain等底层框架，

本文介绍了LangChain官方提供的多智能体托管平台LangGraph Cloud的使用方法。该平台集成了LangGraph Server、CLI和Studio功能，支持开发者将本地编写的智能体图结构代码推送到GitHub后自动构建部署为生产级API服务。文章详细说明了从账户注册、仓库准备到部署配置、环境变量注入的完整流程，并提供了可直接部署的示例项目结构、代码和配置文件。通过LangGraph Cloud，开发者无需运维服务器即可快速上线支持流式输出、状态持久化等特性的AI应用，同时还能利用云端调试和监

文章摘要 LangGraph云平台为开发者提供了一套完整的智能体工作流开发工具，包含LangGraph Server、CLI和Studio三大核心组件。平台通过预置服务器层、脚手架工具和可视化调试环境，显著降低了多智能体系统的开发门槛。开发者可快速创建项目模板，本地启动服务，并通过Python SDK或HTTP客户端进行交互。LangGraph Studio提供了图结构可视化、状态追踪和交互式调试功能，极大简化了复杂工作流的开发过程。平台支持从本地开发到云端部署的全流程，使开发者能专注于业务逻辑而非基础设施

本文介绍了使用LangSmith进行自动化智能体评估的方法，重点演示了航空客服智能体的红队攻击测试。主要内容包括： 评估流程演进：从人工测试转向数据集驱动的自动化评估，通过LangSmith实现大规模测试。 评估系统组成： 目标智能体（航空客服） 测试数据集（包含攻击场景） 模拟用户（自动生成对话） 评估器（GPT-4判断结果） 核心实现： 创建航空客服智能体 构建红队测试数据集 设计模拟用户对话逻辑 实现多轮对话执行 定义结构化评估函数 评估结果： 可视化展示测试结果 判断客服是否成功抵御攻击 提供优化建

本文介绍了一种利用AI模拟用户来评估对话类智能体（如客服机器人）的方法。通过让目标智能体与模拟用户智能体自动对话，开发者可以高效测试智能体在情绪处理、边界状况等方面的表现。文章详细说明了实现步骤，包括环境准备、智能体定义、LangGraph对话编排等，并提供了完整可运行的Python代码示例。这种方法能快速覆盖多种场景，帮助发现智能体在专业度、同理心等方面的不足，适用于各类对话系统的质量评估。评估结果通过分析对话日志获得，开发者可据此针对性优化提示词或防护策略。

本文摘要探讨了智能体优化的两种核心模式：计划与执行模式、反思模式。计划与执行模式通过规划、执行和重规划三个阶段的循环，为复杂任务提供全局视角，适合多步骤推理场景；反思模式则通过生成-评审-改进的循环迭代提升输出质量，适用于内容创作类任务。文章详细介绍了两种模式的原理、流程设计，并提供了基于LangGraph的完整实现代码示例，包括计划与执行智能体的分步骤查询执行，以及反思式写作智能体的迭代优化过程。最后比较了两种模式的优缺点：计划与执行模式具有明确的长期规划优势但延迟较高，反思模式能显著提升内容质量但成本更

本文介绍了一个支持数字人交互的多智能体客服系统——小浪助手多智能体版。该系统整合了单智能体与多智能体技术，采用监管者模式，将用户问题自动分派给搜索专家或AI程序员处理。系统架构包含前端（HTML+数字人）、通信层（WebSocket）和后端（FastAPI+LangGraph）。核心实现包括FastAPI WebSocket服务、LangGraph监管者Agent构建以及情绪检测与数字人动作映射功能。文章提供了完整可运行示例的项目结构、依赖安装和核心代码，展示了多智能体+WebSocket文本聊天的简化版本

摘要 该项目构建了一个基于LangGraph的多轮对话提示词生成助手。系统通过三个核心节点协作工作：info节点负责收集用户需求并判断完整性，add_tool_message处理工具调用结果，prompt节点生成最终提示词模板。采用条件路由机制实现智能跳转，当信息完整时自动触发生成流程。项目提供完整可运行代码，包含结构化输出模型定义、节点函数实现和状态路由逻辑，支持通过对话交互式收集提示词的目标、变量、约束等要素，最终输出结构化提示模板。系统模拟了"需求分析师→提示词工程师"的协作模式，有效解决了用户难以清

摘要 本文介绍了一个基于LangGraph的多智能体代码助手系统，旨在通过文档检索、代码生成、静态检查和错误修复的闭环工作流，帮助开发者快速生成可执行的代码解决方案。系统包含三个核心节点：generate(生成代码方案)、code_check(代码检查)和reflect(错误分析)，通过条件边形成智能重试机制。文章详细阐述了系统架构、状态设计、节点实现方案，并提供了完整的可运行Python代码实现，展示了如何结合LangChain LCEL规范和OpenAI模型构建智能编程助手。该方案特别适合需要参考框架文

本文介绍了LangGraph框架的核心功能，主要包括三个方面： 时光旅行功能：支持状态机的回溯与分叉，可通过get_state_history获取历史状态快照，使用replay重新执行，或通过fork修改历史状态后分叉执行，便于调试和探索不同执行路径。 流式输出：提供四种输出模式： values：输出完整状态 updates：仅输出变更部分 messages：实现逐token输出的打字机效果 debug：输出全量调试信息 工具调用机制：将工具调用分为四个生命周期步骤： 创建工具（@tool） 绑定模型（bi

LangGraph人机交互机制实现AI系统人工审核 本文介绍了如何利用LangGraph框架在AI工作流中嵌入人工审核环节，主要包含： 核心机制 通过interrupt()暂停执行等待人工输入 使用Command(resume=...)传递人工反馈并恢复流程 支持在特定节点前后自动中断(interrupt_before/after) 典型应用场景 等待用户输入：在关键节点暂停获取人工反馈 工具调用审查：执行前审批参数或终止操作 状态编辑：允许人工修改流程中间状态 实现方式 构建带反馈节点的状态图 在需要审核

本文介绍了LangGraph框架中的持久化层与记忆功能在多轮对话智能体中的应用。文章首先阐述了持久化层与记忆的关系，持久化层负责保存和恢复执行状态，而记忆则是在此基础上组织和使用这些数据。LangGraph支持多种持久化后端，包括内存存储和数据库存储。 核心内容包括线程隔离与跨线程共享的实现机制，通过thread_id实现会话隔离，通过user_id和InMemoryStore实现跨会话数据共享。文章提供了两个实战示例：使用MemorySaver的短期记忆实现和使用MongoDBSaver的长期持久化方案。

本文介绍了LangGraph的基本概念和使用方法。LangGraph是LangChain中用于构建复杂工作流的图结构框架，适用于需要分支、循环或并行处理的任务。核心概念包括State（节点间共享数据）、Node（功能单元）、Edge（控制流向）和Graph（执行引擎）。文章展示了如何创建简单工作流，并详细讲解了串行执行、并行分支、条件循环、动态配置和Map-Reduce等五种典型工作流模式，通过代码示例演示了每种模式的实现方式。LangGraph的图结构范式特别适合多步推理、人机协同和多智能体编排场景。

本文探讨了从单智能体到多智能体系统的演进，重点介绍了五种多智能体架构模式（网状结构、监管者模式、智能体工具化、分级架构和自定义混合模式），并对比了它们的特点和适用场景。文章以监管者模式为例，详细展示了如何使用LangGraph框架构建多智能体系统，包括状态管理、工人节点设计（搜索/写作智能体）、监管者路由逻辑以及条件边设置等关键实现步骤，最终提供了一个完整的可运行代码示例。该方案能够根据用户输入自动判断是否需要搜索信息，并协调不同智能体完成复杂任务，体现了多智能体系统在任务分解和协作方面的优势。

本文详细介绍了使用Docker和Docker Compose部署智能体项目的完整方案。主要内容包括：容器化部署的优势，Docker镜像、容器和Compose编排的核心概念；项目部署文件的具体配置，如docker-compose.yml定义Redis和应用服务、Dockerfile构建Python环境、多进程启动脚本；最后提供了完整的FastAPI应用示例及测试方法。通过这套方案可实现多服务编排、环境一致性保障和数据持久化，简化了智能体项目的部署流程，为生产环境提供了可靠的基础架构。

摘要： LangSmith是LangChain官方推出的AI应用可观测性平台，通过全链路追踪、性能监控与错误调试三大核心功能，帮助开发者优化基于LLM的智能体。其零侵入集成仅需配置环境变量即可自动记录模型调用、工具执行等完整链路，关键指标包括P50/P99延迟、Token消耗和错误率。文章详细介绍了LangSmith的配置方法（如.env设置）、核心指标解读，并提供了私有化部署方案（Docker Compose）及一个可运行的Agent示例（含天气查询工具），展示如何通过数据驱动提升AI应用性能与成本效率。

本文介绍了一个基于Redis的智能对话记忆系统架构，主要解决多轮对话中的上下文窗口限制和多用户会话隔离问题。系统通过Redis高效存储对话历史，当消息数量超过阈值时自动触发摘要生成，将长对话压缩为关键信息摘要，既保留了上下文又避免窗口溢出。文章详细阐述了技术选型理由（Redis的高性能、List结构适配）、核心架构设计（包含自动总结触发机制的流程图），并提供了完整的Python实现代码，包括记忆管理器类、配置文件和示例主程序。该系统可无缝集成到LangChain框架中，有效管理多用户对话场景下的记忆存储和优

本文完整实现了基于钉钉的待办与日历工具集，涵盖了忙闲查询、日程增删改查、优先级待办创建等核心功能，并特别设计了删除操作的两步确认流程。所有工具均采用Pydantic结构化入参，保障了智能体调用的稳定性。这套工具集可以直接嵌入任何基于 LangChain 的智能体项目，让自然语言操控钉钉成为现实。本文覆盖了钉钉待办创建、日历忙闲查询、日程增删改查的完整实现，以及删除操作中的人工确认设计模式，并提供了所有工具的示例代码。

本文介绍了知识库工具在智能体中的应用，重点阐述了基于RAG技术的系统架构与实现方法。系统采用读写分离设计：写入路径通过FastAPI服务处理URL文档，包含加载、语义切分、向量化和存储到Chroma数据库；读取路径则实现查询重写优化，通过多路召回和MMR算法提升检索质量。文章提供了完整的项目结构、环境配置和核心代码实现，包括文档写入服务和知识库检索工具，为构建智能问答系统提供了实用解决方案。该系统能有效解决大模型知识时效性问题，支持私有文档的高效检索与答案生成。

这篇文章介绍了如何为智能体（如钉钉智能客服）设计和实现工具集，使其具备执行特定任务的能力。主要内容包括： 工具设计原则：强调最小颗粒度、结构化输入和清晰功能描述三个核心原则。 工具集组成： 在线搜索工具（web_search）：使用SerpAPI获取实时信息 知识库检索工具（search_knowledge_base）：基于Chroma向量数据库 钉钉待办工具（create_todo）：创建待办事项 钉钉日历工具（manage_calendar）：提供日程增删查改功能 技术实现： 使用Pydantic模型确

本文介绍了如何通过动态提示词和结构化情感分析让AI智能体更具人性化交互能力。主要内容包括： 核心设计思路： 使用动态提示词根据用户情绪调整回复风格 采用结构化情感分析保证输出可靠性 模块实现： 提示词管理系统(PromptManager)：初始化角色设定，动态合成包含情绪参数的提示词模板 情感分析引擎(EmotionAnalyzer)：通过LLM和Pydantic Schema实现结构化情绪分析 关键技术： 使用ChatPromptTemplate构建对话模板 通过partial方法实现运行时参数注入 结合

钉钉智能助手开发指南 摘要 本文介绍了开发钉钉智能助手"小浪助手"的全过程，包含以下关键内容： 开发准备：详细列出所需资源，包括Python环境、大模型API、钉钉应用创建等，并强调API密钥安全注意事项。 项目架构：采用Mermaid流程图展示系统架构，说明用户消息通过WebSocket入口传递到智能体核心的处理流程。 实战开发： 使用Poetry管理项目依赖 配置环境变量文件(.env) 实现钉钉消息接收入口 开发智能体核心类AIAgent，包含多模型回退、工具加载、记忆系统等功能 模拟测试：提供本地测

本文介绍了单智能体的核心概念与技术实现。单智能体是AI系统中独立的决策中心，基于React框架（推理-行动循环）运作，适合中等复杂度任务。文章详细讲解了使用LangChain 0.3创建单智能体的步骤：环境搭建（Python 3.10+、Poetry管理依赖）、关键组件（LLM、提示词、工具）配置，并通过一个带搜索功能的智能体示例展示了具体实现。同时对比了单智能体与多智能体的适用场景，建议简单任务用单智能体，复杂场景采用LangGraph构建多智能体系统。全文提供了完整的可运行代码和版本兼容性解决方案。

本文介绍了基于LangChain框架开发的单智能体"小浪助手"的技术实现方案。该系统通过钉钉机器人提供以下核心功能： RAG知识库问答能力 钉钉日程与待办管理 多轮对话上下文记忆 情绪检测与动态优先级调整 系统架构分为四个层次：输入层、智能体决策层、工具执行层和记忆层。关键技术选型包括LangChain框架、OpenAI大模型、Redis记忆存储和Chroma向量数据库。文章详细展示了项目结构、Redis记忆组件的实现代码示例，以及钉钉工具、知识库工具等核心模块的具体实现方法。 该项目演示了如何利用Lang

摘要： ChatDoc 是一个支持PDF、Word、Excel文档检索的对话助手，采用RAG（检索增强生成）技术实现。其核心流程包括：文件加载（自动识别格式）、文本切片、国产BGE-M3模型向量化存储至Chroma数据库，并通过多重查询优化、上下文压缩、MMR等策略提升检索质量。最终封装为流式对话链，结合LLM生成自然语言回答。项目提供完整实现代码，支持本地部署，使用模拟嵌入模型（FakeEmbeddings）时可快速测试运行，无需依赖API或大模型下载。

文章摘要： 本文探讨了提升RAG（检索增强生成）系统精准度的检索调优技术。针对原始向量检索的冗余和排序问题，提出三大优化策略： 上下文压缩：使用LLMChainExtractor提取关键片段或LLMChainFilter过滤无关文档，支持管道串联处理； 排序优化：通过LongContextReorder重排文档，缓解大模型对中间信息的遗忘问题； 相似性分数过滤：结合向量库的评分机制筛选高相关内容。 此外，简介了知识图谱增强（GraphRAG）的进阶方向，并提供了基于LangChain的可运行代码示例（模拟模

本文介绍了LangChain中的检索器（Retriever）在RAG系统中的核心作用与实现方式。主要内容包括：1）基础检索器与向量数据库的快速封装；2）BM25词法检索器的使用；3）查询重写技术MultiQueryRetriever，通过LLM将模糊问题拆解为多个精准子问题；4）查询重构技术，将自然语言转换为SQL查询；5）提供了无需API密钥的完整可运行代码示例。文章通过流程图和代码展示了各种检索策略的实现原理，帮助开发者理解如何选择适合的检索方法来提高问答系统的准确性和召回率。

本文介绍了向量数据库在RAG系统中的核心作用，与传统关系型数据库的本质区别，以及如何使用LangChain进行向量数据库的基本操作和高级检索。主要内容包括：向量数据库的基础概念及其在语义搜索中的重要性；LangChain提供的统一接口方法，如文档添加、删除和相似性搜索；高级检索技巧如最大边际相关性（MMR）搜索和混合搜索；并通过完整代码示例演示了使用FakeEmbeddings和内存向量库进行增删查及MMR搜索的实际操作。帮助开发者快速掌握向量数据库的关键功能，提升语义检索效率。

本文介绍了嵌入模型在RAG系统中的核心作用，以及如何在LangChain中高效使用。嵌入模型将文本转化为高维向量，支撑语义检索功能。LangChain提供统一接口embed_documents和embed_query接入各类模型（如OpenAI、BGE等），并通过CacheBackedEmbeddings实现本地缓存优化性能。文章包含完整代码示例，使用FakeEmbeddings演示嵌入、缓存与检索流程，无需API密钥即可运行。同时介绍了国产BGE-M3模型的集成方式，只需配置API地址和密钥即可快速切换。

本文介绍了RAG（检索增强生成）系统中文档切分的四种主流策略：基于长度切分、基于文本架构切分、基于文档格式切分和基于语义切分。重点分析了LangChain提供的RecursiveCharacterTextSplitter等切分工具的特点及适用场景，并提供了可本地运行的代码示例。文章指出，合理的文档切分对提升检索精度、控制嵌入成本至关重要，建议根据文档类型和需求选择适当的切分方法，其中RecursiveCharacterTextSplitter因其平衡性成为通用首选方案。

本文介绍了LangChain中的文档加载器及其使用方法，重点解析了常见加载器（如PDF、网页、CSV等）的实战应用，并演示如何开发自定义加载器。主要内容包括： 文档加载器的作用：将多源异构数据统一转换为标准Document对象 常见加载器使用： PyPDFLoader解析文本型PDF 多模态PDF结合视觉模型处理 WebBaseLoader和UnstructuredURLLoader处理网页内容 CSVLoader加载表格数据 自定义加载器开发：继承BaseLoader实现lazy_load方法，示例展示了

本文介绍了检索增强生成（RAG）的核心概念及其数据预处理流程。RAG通过检索外部知识库来增强大语言模型的生成能力，解决数据陈旧和领域知识缺失问题。文章详细阐述了RAG数据预处理的四个关键步骤：文档加载、文本切片、向量化嵌入和向量存储，并提供了基于LangChain的完整实现代码。代码示例使用模拟嵌入模型，无需外部API即可运行，展示了从原始文本到向量检索的端到端流程。文章还给出了切片大小选择、嵌入模型选型等实践建议，为构建高质量RAG应用奠定基础。

本文介绍了LangChain Expression Language(LCEL)的高级应用技巧，包括函数集成、动态配置、记忆机制和错误处理等。主要内容有：使用@chain装饰器和RunnableLambda将函数集成到链中；通过RunnablePassthrough实现值透传；利用configurable_fields动态调整模型参数；使用InMemoryHistory实现短时记忆和Redis存储长期对话记录；以及构建路由链和回退机制。每个知识点都配有代码示例，帮助开发者提升链式编程能力，构建更复杂的生产级

本文介绍了LangChain中链(Chain)的构建与使用方法。通过LCEL(LangChain Expression Language)和Runnable接口，可以使用管道操作符|或.pipe()方法快速串联提示词、模型和解析器等组件。文章详细讲解了流式调用的三种方式：同步流stream()、异步流astream()和事件流astream_events()，以及如何通过RunnableParallel实现并行执行多条链。此外还介绍了链的可视化调试方法如get_graph()和get_prompts()，以

本文介绍了LangChain框架中的Runnable接口和LCEL（LangChain Expression Language）编排语言。Runnable为所有组件提供了统一的输入输出类型标准（基于Pydantic）和调用方法（invoke/batch/stream等），并通过RunnableConfig支持运行时动态配置。LCEL则使用管道操作符|实现顺序组合，配合RunnableSequence和RunnableParallel实现灵活编排。文章建议简单链使用LCEL，复杂流程采用LangGraph，并

本文介绍了LangChain输出解析器的容错机制与自定义实现方法。主要内容包括：1）两种容错机制：自动重试解析器（RetryOutputParser）和修复解析器（OutputFixingParser）的对比与使用场景；2）两种自定义解析器实现：基于正则的纳美星语转换器和继承BaseOutputParser的布尔值解析器；3）提供完整可运行代码，通过模拟错误场景展示容错修复流程。文章通过具体示例演示了如何处理模型输出的格式错误，以及如何扩展解析器满足特定需求。