从 Tool Calling 到可靠执行：Deep Agents 的工具设计
摘要梳理 Tool Calling 的执行链路与 Deep Agents 工具体系，给出职责、参数、结果、权限四类工具设计原则及工单工具示例。
技术主题
工具
工具调用、契约与错误处理。
17 篇内容
Deep Agents 快速入门：从零构建第一个 Deep Agent
摘要以 Research Agent 为例，组装第一个 Deep Agent，说明其中的各个组件各自负责什么，并通过 invoke() 返回的消息查看 Agent Loop 中的工具调用记录。
会调用 API 只是开始：Computer Use 如何让 Agent 直接操作软件
摘要Computer Use 补齐 API 与 MCP 覆盖不到的桌面软件场景，并把 Observe-Act-Verify 循环、环境状态验证与最小权限隔离统一纳入 Agent 的行动层设计。
LangGraph 到底解决了什么问题：为什么 Agent 最后会走向“图”
摘要从 Agent Loop 的局限出发，说明 LangGraph 的 State、Node、Edge、状态更新与 Reducer 如何管理复杂执行流程。
LangChain Agent 出错怎么办：重试、Fallback、超时与异常恢复
摘要区分重试、Fallback、超时与检查点恢复，为不同失败场景选择合适的处理方式。
从固定配置到动态路由：LangChain Agent 如何切换模型、工具与 Prompt
摘要通过中间件动态选择模型、工具与 Prompt，并厘清 State、Context 和 Store 的职责。
让 LangChain Agent 跑得更快：批量调用、并发控制与 Tool 并行
摘要区分批量任务并发与 Agent 内部工具并行，控制吞吐、资源用量和状态隔离。
LangChain Agent 如何实现人工审核：Human-in-the-loop 从原理到实战
摘要说明 HumanInTheLoopMiddleware、Interrupt、Checkpoint、Thread 与 Command(resume) 如何配合，实现高风险工具调用的人工审核。
理解 LangChain Middleware：Agent 从“能跑”到“可控”的核心机制
摘要说明 LangChain Middleware 的生命周期与两类 Hook，并用模型选择、Prompt 注入和工具异常处理展示执行链控制方式。
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。
让 LLM 输出真正可编程：LangChain 结构化输出指南
摘要比较 LangChain 的 ProviderStrategy 与 ToolStrategy，并用 Schema 定义可验证、可编程的 LLM 输出。
理解 LangChain Tool：Agent 从会回答到会执行的关键一步
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。
4 种 Message 一文厘清：System、Human、AI、Tool 到底怎么流转
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。
LangChain create_agent 与 Model：一次 Agent 如何跑通
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。
7 个核心概念，一文看懂 LangChain 如何搭建AI Agent
摘要用 Model、System Prompt、Tools、Agent Loop、State、Middleware 与 Structured Output 七个概念理解 LangChain Agent。
什么是 AI Agent：它与普通大模型调用有什么区别？
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。
MCP 是什么？从原理、架构到实战
摘要MCP 是一套让 AI 应用以统一方式接入外部数据和能力的开放协议。本文首先厘清 Host、MCP Client 与 MCP Server 三个角色，并介绍 Tools、Resources、Prompts 三类能力的语义差异。