最近Deep Research, Harness Engineering这些概念挺火的。而在开发LangGraph时发现其团队新开发Agent：Deep Agents，专用于深度研究和规范工程。 简介 Deep Agents 是一个基于 LangChain 代理核心构建模块构建的独立库。它使用 LangGraph 运行时来实现持久化执行、流式处理、人机协同等特性。

参考 一个用于利用 LangGraph 构建Swarm(蜂群式多智能体)系统的 Python 库。Swarm是一种多智能体架构，其中智能体会根据各自的专长动态地将控制权移交给其他智能体。该系统会记住最后一个处于活动状态的智能体，从而确保在后续交互中，对话能与该智能体继续进行。 Swarm 是一种受自然界蚁群、蜂群等生物群体行为启发的

LangGraph 是一款用于构建、管理和部署长期运行的有状态代理的底层编排框架和运行时，深受塑造代理未来的企业信赖，包括 Klarna、Uber、摩根大通等。LangGraph 属于非常底层的框架，完全专注于代理编排。在使用 LangGraph 之前，我们建议您先熟悉用于构建代理的一些组件，从模型和工具开始。LangGraph 专注于代理编排中至关重要的底层能力：持久化执行、流式处理、人机协同等。

主要更新 AI·Joe此次上线Agent！ 智能体集成了网络搜索、爬虫、代码解释器等功能，擅长解决一些复杂的问题。 增加Grok 4、Claude Sonnet 4新语言模型，功能都很强大，大家可以试试。 xAI: Grok 4 Grok 4 是 xAI公司（由埃隆·马斯克创立）开发的最新大型语言模型（LLM）。Grok-4以其卓越的推理能力、

机器人的记忆(由AIJoe生成) 短期记忆 LangGraph框架中的checkpointer，通过一些数据结构来存储State状态中产生的信息，并且在每个task开始时去读取全局的状态。主要通过以下四种方式来实现： MemorySaver： 用于实验性质的记忆检查点。 SqliteSaver / AsyncSqliteSaver： 使用 SQLite 数据库 实现的记忆检查点，适合实验性质和本地工作流程。

Agent中会涉及多次的大模型调用，在实际的生产应用中又要如何计算token的使用呢？ 查了下技术文档, 使用的是一个get_openai_callback的函数来统计token用量。简单的语法如下： from langchain_community.callbacks.manager import get_openai_callback llm = ChatOpenAI(

多智能体（Multi-Agent）作为智能体的流行趋势，怎能不上手实现呢。 基于前面的工具开发和单智能体的开发心得，多智能体也就是个搭积木的过程：将原本的应用程序拆分成多个较小的独立代理，从而组合而成的系统。这些小的独立代理可以是简单的大模型交互代理，也可以是复杂的 ReAct 代理。

当已完成前面两篇的案例之后，对于LangGraph的Agent开发就有了比较直观的感受。它的最大特色就在于它的图设计的方法：把工具封成节点，再以边去做调用逻辑。 Agent开发已经没有神秘可言，接下来就是一些添加功能和封装的工作啰。 有了LangGraph的图设计和Tool Calling Agent打底，可以尝试ReAct Agent。 简介 ReAct（Reasoning and

Tool Calling Agent（工具调用代理）是LangGraph支持的一种AI Agent代理架构。这个代理架构是在Router Agent的基础上，大模型可以自主选择并使用多种工具来完成某个条件分支中的任务。工具调用大家应该非常熟悉，当我们希望代理与外部系统交互时，工具就非常有用。大模型能根据用户的自然语言输入选择调用工具，并将返回符合该工具架构的输出。

简介 LangGraph, 从这名字大概也能猜到它和LangChain的关系吧。不错，它也是LangChain团队开发的一个专用于Agent的高级库。它设计的特点不同于LangChain的单线设计，而是用图来启用循环的多线设计。 LangGraph