LangGraph 实战指南
LangGraph 是一个用于构建有状态、可控 Agent 的编排框架，下面通过几个递进的实战案例来说明如何使用。版本提示：LangChain 官方已推荐使用 create_agent 替代旧的 create_react_agent。以下所有示例均采用最新的 API。
LangGraph零基础入门指南：新手快速上手AI智能体开发
随着AI智能体（Agent）成为大模型落地的核心趋势，很多新手开发者都想入局智能体开发，但大多卡在流程复杂、逻辑混乱、无法实现自主迭代等问题上。
手把手搭建LangGraph AI Agent，告别LLM只会“纸上谈兵”的尴尬
一、LLM再强，不懂“动手”也是白搭现在谁还没听过大语言模型（LLM）？能答题、能写代码、能总结内容，看似无所不能，但用过的人都懂一个痛点——它只会“纸上谈兵”。
LangGraph小白完全实战：零基础做出多Agent 助手
先说结论：如果你搜过 LangGraph 教程，大概率被坑过。不是教程写得不好，而是这个框架迭代太快了——0.x 到 1.x 只用了不到一年，API 几乎全部换血。网上八成的文章还在教 create_react_agent 和 MemorySaver，这些在 1.
LangChain死了吗？七个框架的真实版图
这两个框架当初之所以出现、并替我们解决了那些问题，那个场景如今已经复杂了一倍。那么接下来该用什么？先回到2023年，那时ChatGPT刚爆火，每个开发者突然都想构建一个有AI在里面的应用。但真坐下来做点超出一个基础聊天机器人的东西时，你就卡住了。
从"会聊"到"会动手"：本地 Agent 框架 LangGraph 入门
一、会聊天还不够，"会动手"才是下一步前几篇把本地 AI 的"对话"这条线搭完了：Ollama 跑模型、Open WebUI 做界面、RAG 喂资料、ComfyUI 生图。但你会发现，大模型目前还只是"你说它答"。
私有AI实战19：LangGraph工作流实战
让大模型调用工具，其实没有想象中那么难。难的是让它把事情办完，而且不出乱子。上一篇我们已经给本地大模型接上了Python工具。AI可以读取项目任务、统计完成率，还能生成Markdown工作简报，完成了一名比较简单数字助理。真正用起来，估计动手实践的小伙伴们会发现一些问题。
LangChain+Redis实战：高可用AI Agent微服务搭建
AI Agent从演示走向生产的核心挑战是架构设计。单体Agent在并发量超过每分钟1000请求时，Python GIL竞争、内存状态泄漏、单点故障等问题集中爆发。
LangChain 学习路线：从入门到 RAG、Agent 实战
这篇学习路线以 Python + LangChain + RAG + Agent 为主线，最终目标是完成一个能够检索企业知识、查询业务数据并调用工具的 AI 助手。LangChain 主要使用 Python 或 JavaScript/TypeScript 开发。