让 Agent 不再“黑盒等待”:LangChain 流式输出完整拆解
摘要讲解 stream、astream 与 updates、messages、custom 三种模式,展示 Agent 步骤、模型 Token 和自定义进度。
博客
记录 AI Agent 与软件开发中的实际问题,以及排查和解决过程。
20 篇内容 · 第 2/2 页
摘要讲解 stream、astream 与 updates、messages、custom 三种模式,展示 Agent 步骤、模型 Token 和自定义进度。
摘要比较 LangChain 的 ProviderStrategy 与 ToolStrategy,并用 Schema 定义可验证、可编程的 LLM 输出。
摘要说明 LangChain Tool 的定义、调用机制与设计原则,以及模型决策和程序执行之间的职责边界。
摘要从 create_agent、invoke 与 stream 入手,说明 System、Human、AI、Tool 四种 Message 在模型和工具之间如何流转。
摘要从 create_agent 到 init_chat_model,说明 LangChain Agent 的运行循环、模型接入方式及 timeout、max_retries 等参数。
摘要用 Model、System Prompt、Tools、Agent Loop、State、Middleware 与 Structured Output 七个概念理解 LangChain Agent。
摘要基于 LangChain 比较 AI Agent 与普通大模型调用在控制流、决策权和执行路径上的差异,并说明 Workflow 与 Agent 的选择标准。
摘要理解 LangChain、LangGraph 与 Deep Agents 的分工,按任务复杂度选择合适的 Agent 架构。