ReAct：为什么只会“想”或只会“做”的大模型都不够？ Reasoning + Acting 的工程价值
大语言模型出来以后，研究里很快出现了两条路线。 原文链接：https://arxiv.org/abs/2210.03629
2026-04-01 · 20 min read · wen-xian
Tag View
#agent
8 published posts
LangChain Streaming：会不会流式输出？
在 LLM 应用里，Streaming 从来不只是“把字一个一个吐出来”。对真实项目来说，它解决的是另外几个更硬的问题：首字延迟太长、Agent 调工具时用户以为系统卡死、长链路任务没有过程反馈、线上排障时看不见中间状态。LangChain 在官方文档里把 Streaming 能力拆成了 updates、messages、custom 三类，而且支持同时开启多种模式；LangChain Agent 本身又是构建在 LangGraph 之上的，所以这些能力本质上是“把 Agent 执行过程变成事件流”。
2026-03-31 · 20 min read · langchain-agent-ying-yong-kai-fa
LangChain Short-Term Memory 工程实战：“让模型记住你”？如何把线程状态管起来
做 Agent 时，大家经常说“给模型加记忆”。但在工程里，短期记忆的本质不是抽象的 memory，而是线程级状态管理：同一个会话里，前几轮用户说过什么、工具查到了什么、中间结果是否要保留、下一步提示词要不要动态改，这些都需要被可靠保存，并在后续步骤继续读取。LangChain 在这件事上的官方实现，核心不是往 prompt 里拼字符串，而是把短期记忆纳入 agent state，并通过 checkpointer 做持久化。([LangChain Docs](https://docs.langchain.com/oss/python/langchain/short-term-memory))
2026-03-23 · 20 min read · langchain-agent-ying-yong-kai-fa
如何写好 LangChain Tools：不是会调函数就够了，而是怎么把工具真正接进工程系统
如果你要做一个可上线的 AI 助手，LangChain 的 Tools 到底应该怎么设计？
2026-03-19 · 30 min read · langchain-agent-ying-yong-kai-fa
别再把 LangChain Messages 当“聊天记录”了：这是你 LLM 工程的上下文总线
做 LLM 应用时，很多人第一次接触 LangChain Messages，会把它理解成“聊天记录的一个封装”。这个理解不算错，但太浅了。
2026-03-18 · 30 min read · langchain-agent-ying-yong-kai-fa
LangChain Models 深度梳理：从基础调用到可配置模型
Models 是 LangChain 的核心组件之一。官方文档将其定义为 Agent 的 reasoning engine：模型负责驱动决策过程，决定是否调用工具、如何理解工具结果，以及何时给出最终答案。模型能力的差异，也会直接影响 Agent 的基础可靠性与性能表现。
2026-03-17 · 30 min read · langchain-agent-ying-yong-kai-fa
从 create_agent 到生产级 Agent：用 LangChain 构建可控、可观测、可扩展的智能体应用
LangChain 新版 Agent 将 create_agent 与 LangGraph 图运行时结合，把工具、状态、middleware、流式与人类介入统一进可控、可观测、可扩展的生产架构。
2026-03-15 · 30 min read · langchain-agent-ying-yong-kai-fa
当工程师的工作，从写代码转向设计agent的工作环境
基于 OpenAI 于 **2026 年 2 月 11 日** 发布的文章 *Harness engineering: leveraging Codex in an agent-first world*，作者为 Ryan Lopopolo。文中记录了一次真实工程实验：团队以“**0 行人工手写代码**”为约束，从空仓库起步，用 Codex 产出应用代码、测试、CI、文档、可观测性和内部工具；约五个月后，仓库规模达到约百万行代码、约 1500 个 PR，平均每名工程师每天约 3.5 个 PR。
2026-03-10 · 14 min read · sui-xiang