智能体关键实现技术合集

一般情况下，可以把LangChain​ 看作构建大模型应用的工具箱， 可以把LangGraph​ 看作编排复杂智能体流程的控制系统。两者都服务于 LLM 应用开发，但侧重点不同。

简单说就是，LangChain 负责“有什么能力可用”；​LangGraph 负责“这些能力按什么规则、在什么状态下被如何使用”。

如果你正在做简单的 LLM 应用，从 LangChain 入手即可；一旦涉及多轮决策、复杂分支或需要严格流程控制的 Agent，引入 LangGraph 会更有优势。

下面简单解析LangChain与LangGraph开发智能体的关键实现技术。

通过阿里云百炼平台调用DeepSeek大模型_阿里云百炼平台使用deepseek-CSDN博客

使用DeepSeek API实现CoT推理-CSDN博客

TOT框架求解数学问题演示-CSDN博客

基于ReAct模式的智能体系统示例-CSDN博客

Adapter Tuning代码实现示例-CSDN博客

LangChian实现最小可运行的 RAG示例解析-CSDN博客

LangChain Tool + Agent 最小可运行示例解析-CSDN博客

基于 FAISS 的 AI 长期记忆系统示例-CSDN博客

用于 HR FAQ 场景的AI Agent原型演示-CSDN博客

LangGraph 基础图创建思路-CSDN博客

LangGraph图中条件边的示例简析-CSDN博客