作为 LangChain 团队三大核心产品之一，LangSmith 提供观察、调试和部署 LLM 应用的统一平台。本文带你从入门到 Studio 实战，彻底搞懂 LangSmith 的使用方式。 一、初识 LangSmith 当我们成功构建一个 Agent 后，常常会被这些问题困扰： 这个请求到底经

📅 2025 年 11 月 25 日 V1.1 发布，2025 年 12 月 15 日 V1.2 紧随其后。两个月两次发版，LangChain 团队究竟在下怎样一盘棋？ LangChain 在 V1.0 正式版发布后的短短两个月内，密集推出了 V1.1 和 V1.2 两个版本。与其说是"功能更新"

从上下文隔离到任务协作：SubAgent 的概念、创建与应用实践 在构建复杂 Agent 应用时，主代理往往需要同时处理任务规划、工具调用、信息检索、数据分析和结果生成等工作。 如果所有任务都由一个 Agent 直接完成，容易出现以下问题： 上下文越来越长，导致上下文膨胀 大量工具调用记录干扰主任务

从浅到深：Deep Agents 核心能力与架构全解析 一文掌握 LLM 智能体从"简单工具循环"到"复杂任务规划"的进化之路 🎯 引子：为什么简单 Agent 不够用？ 在 LLM 应用开发中，最常见的 Agent 模式就是： LLM + 工具循环调用 — 用户给指令，模型判断要不要调工具，调完

在构建复杂 Agent 时，上下文（Context）管理 是最关键的问题之一。当工具调用结果非常庞大时——例如网络搜索或 RAG 返回的大量信息——上下文窗口会被迅速填满，导致 Agent 无法持续运行。 File System 中间件 正是为了解决这一问题而设计的：它把文件系统作为 Agent 的

当大模型开始"思考"，Demo 和 Production 之间隔着一道叫做 Agent Engineering 的鸿沟。 前言 你或许已经听过无数次"AI Agent"这个词。但一个尴尬的现实是：90% 的 Agent Demo 永远停在 demo。 它们能在本地惊艳地跑通，可在真实用户面前，要么"

让 LLM 工具调用既精准又清晰——两个中间件，搞定 Agent 的两大痛点。 📖 写在前面 随着 LangChain Agent 越来越普及，开发者会很快撞上两堵"墙"： 工具太多：给 Agent 挂了 20 个工具，模型在调用时一脸懵。 任务太长：跨多步的复杂任务跑下来，用户只看到一行最终回复

当 Agent 对话越来越长，模型开始"记不住"早先聊过什么——这时候，Summarization 中间件就是你的救命稻草。 本文将带你从概念、创建、触发流程、规则制定到参数调优，彻底掌握 LangChain Summarization 中间件。 📑 目录 什么是 Summarization 中间

随着 LLM Agent 越来越"敢动手",我们开始需要一种机制 —— 让 AI 在做关键动作前停下来,让人看一眼,再由人来决定放行、修改还是拒绝。 这就是 Human-in-the-Loop (HITL):AI 不再是"自动执行",而是"提建议 → 被审核 → 必要时修正"。 本文带你从概念到 L

读懂中间件机制，让你的 Agent 从"能跑"走向"可控、可观测、可生产"。 写在前面 如果你已经用 LangChain 搭过 Agent，大概率会遇到这些痛点： 想给 Agent 加上日志，却不知道在哪一层埋点 想做调用次数限流，防止 token 成本失控 想在关键工具调用前让人工把关，但不想重写