文火冰糖的硅基工坊-CSDN博客

原创寻找创业伙伴，共同探讨技术生活，用技术创造价值。我的标签：嵌入式系统、通信、人工智能、项目管理、理财、创业、心理学

扫描如下二维码即可关注我的微信

2020-09-12 17:30:04 6638 17

原创 [智能体-358]：Deep Agents 核心概念

Deep Agents 是 LangChain 官方生产级智能体 Harness，基于 LangChain + LangGraph 构建，专为长周期、多步骤、复杂目标设计。LLM（智能核心） +标准化运行管控层（Harness），补齐原生Agent在任务规划、上下文、分工、安全、持久化上的工程短板。把隐式 Agent 升级为可观测、可管控、可干预的显式任务系统；依靠「规划 + 子代理 + VFS」三大核心，支撑长周期、超复杂业务任务；

2026-06-11 00:10:43 137

原创 [智能体-357]：Deep Agents , 生产级 Agent Harness（智能体驾驭层）,基于 LangGraph+ LangChain构建，面向长周期、多步骤、复杂目标设计.

Deep Agents 是 LangChain 生态的 “Agent 2.0”核心是显式规划、层级子 Agent、虚拟文件系统、持久记忆四大能力，把 LLM 从 “问答工具” 升级为能独立完成复杂项目的智能体。

2026-06-11 00:04:41 96

原创 [智能体-356]：有哪些开源和闭源的Harness？

下面把目前主流的和做一个清晰、实用的分类整理（截至 2026‑06‑10），并标注与 LangChain 的关系。

2026-06-10 23:26:56 6

原创 [智能体-355]：Harness概述以及它与Langchain之间的关系

Harness（智能体运行壳 / 驾驭层）：包裹在大模型（LLM）外围，把 “只会接龙的裸模型” 变成能完成复杂任务的智能体（Agent）的一整套运行时基础设施与控制框架。Model：只负责生成文本，提供 “智能”。Harness模型之外的所有代码、配置、执行逻辑，负责把智能变成可用能力。Skill：LLM + 上下文封装（纯推理，无外部调用），属于Harness 里的“推理能力模块”。Tool：外部调用能力（数据库、API、代码执行），属于Harness 里的“工具系统”。

2026-06-10 23:23:02 5

原创 [智能体-354]：有哪些常见的AI Skill

按，同时补充落地用法，方便直接用于架构设计与开发。

2026-06-10 23:15:27 4

原创 [智能体-353]：langchain有哪些自带的skills和tools

所谓 Skill 都是你自己用 Prompt/Chain/Agent 封装出来的 LLM 能力）和。

2026-06-10 23:09:23 3

原创 [智能体-352]：对大模型的上下文封装与交互得到的特定能力，称为skill；对外部工具调用形成的特定能力，称为工具；

整个能力 =固定上下文模板 + 大模型推理，属于对模型专有能力的封装；全程无任何外部接口、数据库、API 调用，是标准Skill；可以反复复用这套 “上下文 + 模型逻辑”，成为智能体的固定能力。：调用外部接口 →Tool：模型 + 上下文生成报告 →Skill表格对比项Skill（模型专有能力封装）Tool（外部工具调用封装）能力来源大模型原生推理、语义、创作能力外部 API / 数据库 / 系统 / 硬件实现核心上下文模板 + LLM 调用。

2026-06-10 23:05:36 4

原创 [智能体-351]：langchain中的skill实现与代码示例

Skill。

2026-06-10 23:02:26 3

原创 [智能体-350]：智能体：Skills 与 Tools 的核心区别（通俗 + 技术双视角）

先给一个一句话总结： Skills 是智能体「自带的本事」，Tools 是智能体「借来的工具」；Skills 靠模型推理就能完成，Tools 必须调用外部系统执行。表格Skills（技能）= 管家的「个人手艺」比如管家会写报告、会算账、会整理文件，这些是他自带的本事，不用找别人帮忙，自己就能干。Tools（工具）= 管家的「外部资源 / 设备」比如管家要查银行流水、要发快递、要修电路，这些他自己做不了，必须调用银行系统、快递服务、电工工具。python运行核心：输入→模型推理→输出，整个过程不

2026-06-10 22:53:54 5

原创 [智能体-349]：智能体的七层关系的通俗解读

底层（Token→上下文）：解决 “AI 如何理解你” 的问题；中层（Agent→Harness）：解决 “AI 如何按规则自主干活” 的问题；上层（MCP→Skills）：解决 “AI 如何调用资源、解决具体问题” 的问题。这正是当前企业级 AI Agent 的主流架构范式，也是 AI 原生数字化公司的技术底座。

2026-06-10 22:46:23 7

原创 [智能体-348]：CaaS：大模型是企业数字化决策者；智能体是企业的数值化管理者和员工；工具是企业传统的数字化工具；智能体框架是企业的流程和制度框架。他们共同组建了AI原生的数字化公司

老板，定方向、拍板决策；公司规章 + 组织架构，规定谁做什么、按什么流程做；部门主管 + 普通员工，按制度干活、互相配合完成任务；电脑、办公系统、生产线，员工干活离不开的基础设备；内部沟通规范；设备使用规范。大模型定方向，智能体抓执行，框架立规则，工具做落地，四方协同构筑 AI 原生数字化企业。A2A 是数字员工的沟通语言，MCP 是数字员工的作业抓手，框架是组织运行的底层制度。从 “人驱动系统”，走向 “大脑决策、团队自治、规则约束、工具落地” 的全新数字化范式。

2026-06-10 22:41:18 6

原创 [智能体-347]：Agent的发展趋势

A2A =智能体的 “社交 + 协作协议”：解决找同伴、派任务、分工、对话。MCP = 智能体的 “工具总线”：解决用工具、读数据、操作系统、执行动作。未来标准架构：多 Agent 网络（A2A） + 统一工具层（MCP） + Agent OS + 端云部署。

2026-06-10 22:34:32 3

原创 [智能体-346]：A2A vs MCP 深度互补A2A：解决 “Agent 如何找 Agent、如何对话、如何分工”MCP：解决 “Agent 如何用工具、如何访问数据、如何执行

先把逻辑讲透，再给可直接运行的串联代码，完整链路： A2A（Agent 2 Agent）管智能体之间打交道：找同伴、发任务、分工协作、状态同步。类比：公司内部员工之间传话、派活、对接工作。MCP（Model Context Protocol）管智能体调用外部工具：查数据、调接口、跑脚本、操作系统能力。类比：员工使用电脑、打印机、数据库、业务系统。真实业务不会只聊天、也不会只单用工具，而是组合使用：分层总结：三层极简架构，本地全运行：调用流向： → A2A 协议 → → MCP 协议 → bash

2026-06-10 22:22:58 47

原创 [智能体-345]：A2A (Agent2Agent) 最小可运行示例

基于实现标准 A2A 通信，包含：Agent Card 定义、服务端 Agent、客户端 Agent、完整调用链路，纯 Python、无额外复杂依赖。

2026-06-10 22:13:13 19

原创 [智能体-344]：Agent2Agent（A2A）协议

A2A 是多智能体时代的基础设施，2026 年进入企业生产成熟期，核心是标准化 Agent 通信、打破孤岛、实现自主协作。与 MCP 结合，将重塑企业自动化与 AI 应用架构。

2026-06-10 22:10:36 43

原创 [智能体-343]：智能体的最新技术（2026）

2026 年智能体技术的核心是标准化（MCP/A2A）+ 长期记忆 + 多模态融合 + 端云协同，从 “能说会道” 走向 “动手办事”，成为企业数字化转型的核心基础设施。

2026-06-10 22:07:12 33

原创 [智能体-342]：add_conditional_edges：为某个输出节点增加多条条件路径，包括待绑定的输出节点、条件判断，不同条件路径的多个节点名

是 LangGraph 实现一对多多分支的标准方案：以单个源节点为入口，通过自定义判断函数区分场景，再借助映射表绑定每一条条件对应的目标节点，最终在运行时动态选择执行路径。它是构建复杂 AI 流程、智能体、多分支业务链路的基础能力。

2026-06-10 22:00:00 38

原创 [智能体-341]：langgraph-condition-edge：循环分支

循环分支是基于条件边（add_conditional_edges）构建的有环执行链路。节点执行完毕后，通过路由判断，既可以走向收尾节点结束流程，也可以回跳至上游节点重复执行原有逻辑，以此实现迭代、重试、反复推理等循环能力，是 LangGraph 区别于线性流程的典型用法。循环分支本质是条件边 + 节点回跳的组合应用。以条件分支作为判断开关，结合状态数据判定是否继续迭代，通过路由跳转形成执行环路。它让 LangGraph 具备了迭代推理、自动重试等复杂能力，也是构建自主智能体、复杂自动化流程的核心基础。

2026-06-10 21:00:00 25

原创 [智能体-339]：LangGraph 节点返回值完整规则总结

通过Annotated[类型, 归约函数]显式指定合并逻辑，最常用在列表场景。→ 列表追加专门用于对话记录、执行日志、消息列表等需要保留历史、向后追加的场景。状态定义：python运行{"log": ["第0轮思考完成"]}{"log": ["第1轮思考完成"]}{"log": ["第0轮思考完成", "第1轮思考完成"]}（新旧列表拼接）支持自己编写合并逻辑（保留最新、去重、条件合并等），规则同样作用于返回值。def 自定义函数(旧值, 新值) -> 合并后的值python运行。

2026-06-10 14:50:09 307

原创 [智能体-338]：langgraph-condition-edge：条件分支

条件分支依托条件边（Conditional Edge）实现，是 LangGraph 区别于线性普通边的核心能力。当前节点执行完毕后，框架不再固定跳转下一个节点，而是根据全局State中的数据动态判断、选择后续执行路径，以此实现多分支、分流逻辑。条件分支是 LangGraph 实现非线性流程的基础能力。本质是在节点执行完成后，通过一套「状态读取→规则判断→路径映射」的路由逻辑，动态分配后续执行链路，解决了线性串行流程无法适配复杂业务分流的问题，也是智能体、RAG、对话机器人等场景中最常用的基础能力之一。

2026-06-10 11:41:50 52

原创 [智能体-337]：langgraph-simple：无条件判断图

【回复节点】已生成最终回复... 针对「LangGraph 是什么？对话记录： ['已解析问题：LangGraph 是什么？', '已生成最终回复']最终回复：针对「LangGraph 是什么？【解析节点】正在分析问题：LangGraph 是什么？【解析节点】已解析问题：LangGraph 是什么？===== 执行完毕，最终状态 =====【回复节点】开始生成答案...【解析节点】......【回复节点】......

2026-06-10 10:44:04 10

原创 [智能体-336]：节点和边，本质上都是函数，“节点”函数是业务函数，“边”函数是路由函数，“边”函数在“节点”函数执行完被自动调用，触发调用下一个“节”点函数。

本质归类业务函数（做事）路由函数（指路）二者底层全是可调用函数。执行顺序（铁律）先执行当前节点函数 → 节点结束，自动执行当前节点对应的边函数（路由）→ 跳转下一节点形象比喻节点 = 工人干活边 = 干完活之后的指路牌 / 调度员工人干完活（节点执行完），调度员（边）立刻告诉你下一步去哪。补充区分开发者手动编写：节点函数 + 条件边的路由函数框架内部封装：普通边的固定路由函数，无需手写。

2026-06-09 23:47:17 77

原创 [智能体-335]：LangGraph 核心概念 + 底层实现机制

核心定位面向 LLM 的迭代式有状态有向图状态机。四大核心概念State：全局数据容器，靠 TypedDict + Reducer 做结构与合并规则；Node：业务执行单元（纯函数、无全局状态）；Edge：流程控制线（普通边 = 串行，条件边 = 分支 / 循环）；Graph：图容器，负责整体调度。底层核心机制节点执行 → 状态合并 → 路由跳转的无限迭代，直到遇见END；循环：条件边回跳上游节点；多轮对话：Reducer 列表追加 + Checkpointer 状态持久；

2026-06-09 23:46:46 127

原创 [智能体-333]：LangGraph代码示例，详细注解：基础线性图、条件分支、循环、人在回路

下面提供，附带逐行详细注解，覆盖：基础线性图、条件分支、循环、人在回路，全部可直接运行，基于官方标准写法。先执行安装依赖：bash运行。

2026-06-09 23:46:16 152

原创 [智能体-332]：图解langgraph

这张图清晰展示了。下面我们结合图示，把两种 Agent 讲透。

2026-06-09 23:45:54 291

原创 [智能体-331]：FastAPI 通俗详解

极简编码依靠 Python 类型注解，代码少、可读性强。自动数据校验搭配 Pydantic，参数类型、长度、范围、格式自动校验，不用手写if判断。自动接口文档/docs在线调试 + 文档，对接前端、测试非常方便。

2026-06-09 23:45:16 196

原创 [智能体-330]：智能体，一套能够脱离人工分步干预，自主理解、自主规划、自主执行，完整落地用户目标的新一代智能化应用程序。

Agent 并非单一的大模型应用，而是一套多模块协同的智能系统。大模型赋予它思考决策的能力，Memory 和 RAG 补齐信息短板，Tools 赋予行动能力，自然语言与 JSON 分别承担内外交互，再由专业框架串联所有模块。它的最终形态，就是一套能够脱离人工分步干预，自主理解、自主规划、自主执行，完整落地用户目标的新一代智能化应用程序。

2026-06-09 07:40:32 226

原创 [智能体-329]：Annotated 通俗详解

不改变原类型到头来还是int，运算、类型判断不受影响。附加内容自由后面可以写字符串、校验规则、对象，想加多少加多少。核心价值：复用 + 解耦把「类型 + 规则 + 说明」打包，一处定义，多处使用，减少重复代码。主打搭档和是黄金组合，专门用来做数据约束、接口文档。

2026-06-09 01:13:03 183

原创 [智能体-328]：Pydantic 通俗完整讲解（小白也能看懂，以 v2 为主）

一句话总结：Pydantic 就是帮你管数据、查错、自动转格式的工具，靠 Python 自带的「类型注解」干活，不用手写一堆判断逻辑。日常写代码经常遇到这些麻烦：Pydantic 专门解决以上问题：打开命令行执行：bash运行三、核心入门：基础模型 BaseModel所有数据模板，都要继承，我们把它理解成 **「数据模板 / 表单」**。定义一个「用户表单」，规定好每个字段是什么类型：python运行👉 重点：不用手动转换，Pydantic 自动帮你转类型。如果数据不符合类型，直接报

2026-06-09 00:59:10 220

原创 [智能体-327]：Annotated 语法详解

Annotated[原类型, 附加信息...]给类型打标签、加规则、写文档原类型不变，元数据供框架解析主力场景：FastAPI、Pydantic、静态类型文档。

2026-06-08 23:41:33 204

原创 [光学原理与应用-504]：如何知道UPS是市电供电，还是电池供电？

结合四类方法，由简到繁说明，适配不同场景。

2026-06-08 23:03:52 11

原创 [智能体-326]：messages: Annotated[list[str], operator.add]，这是什么语法

不用，自己写合并逻辑：python运行# 自定义合并：新列表放前面类型注解，标明是字符串列表合并回调函数，给框架使用a + b，列表场景就是尾部追加仅在 LangGraph / Pydantic 这类框架中会自动解析该规则，原生 Python 只做注释。

2026-06-08 23:02:32 10

原创 [智能体-325]：LangGraph如何定义图，代码示例

下面分四类场景，由浅入深给出完整可运行代码，同时逐行讲解，适配学习与落地。前置依赖安装bash运行。

2026-06-08 23:01:54 16

原创《投资-417》创业的收益、产品的性能、股票价格走势，都符合S曲线特征：低速起步→加速攀升→高位增速趋近饱和→快速衰减

阶段驱动逻辑同源起步阶段均受瓶颈制约（技术、市场、认知），增长乏力；攀升阶段依靠核心红利（技术突破、商业模式、风口预期）实现快速增长；饱和阶段触碰客观上限（技术天花板、市场容量、估值顶）；衰减阶段源于外部替代 / 内部失能（新技术、新对手、基本面崩塌）。加速起点是 “价值兑现拐点”，饱和起点是 “动能衰竭拐点”，衰减起点是 “逻辑破坏拐点”，三大拐点直接决定整体走势。单一产品、单一业务、单一估值逻辑都有生命周期，增长到达顶点后，若不能及时开辟新曲线，必然走向快速衰减。

2026-06-08 10:01:45 21

原创 [智能体-324]：LangGraph 是 LangChain 生态里的「有状态 Agent 编排框架」，把复杂 AI 流程（多轮对话、工具调用、循环思考、多智能体协作）建模成带状态的有向图。

LangGraph = LangChain 的「状态机 + 循环引擎，把 LLM 应用从「线性脚本」升级为能思考、能记忆、能迭代、能持久运行的智能体系统。

2026-06-08 08:29:07 27

原创 [智能体-323]：LangGraph如何定义图？如何定义分支？如何循环？如何定义人在回路？如何执行图?

所有节点共享同一份状态，是数据流转的载体，使用TypedDict定义。python运行# 定义全局状态messages: Annotated[Sequence[str], operator.add] # 对话消息，自动追加query: str # 用户问题tool_result: str # 工具返回结果final_answer: str # 最终答案：列表类型字段，新内容追加而非覆盖，适配多轮对话。节点是独立执行逻辑，入参 = State，出参 = 更新后的 State 字典。

2026-06-08 00:49:14 136

原创 [智能体-322]：LangGraph 复杂 AI 流程三大核心能力解析

多轮对话：依托全局状态 + 持久化检查点，搞定会话记忆与上下文传递；循环思考：依托条件边 + 有环图，实现 AI 迭代推理、自我修正；人在回路：依托流程暂停机制，实现人工介入、审核与指令干预。这三项能力，也是 LangGraph 相比传统线性 Chain，能够支撑企业级、长链路、高复杂度 AI 业务的核心原因。

2026-06-08 00:32:54 86

原创 [智能体-321]：基于LangChain开发的开源AI应用的项目清单，方便你选型与二次开发。

下面给你一份，全部基于 LangChain（含 LangGraph），都整理好，方便你选型与二次开发。

2026-06-08 00:09:52 107

原创 [智能体-320]：哪些知名的AI应用使用了LangChain作为开发框架？

国外大厂：Rippling、Lyft、Vodafone、Notion AI、Salesforce 都在用 LangChain 做核心 AI 编排层。国内主流：Langchain-Chatchat、Dify、阿里云 / 百度 / 智谱企业方案，全部基于 LangChain 构建 RAG/Agent。本质定位：LangChain 不是 “应用”，而是AI 时代的 Spring Boot——几乎所有严肃的生产级 LLM 应用，底层都离不开它。

2026-06-08 00:09:34 205