LLM 应用现状大语言模型已经为我们提供了很好的自然语言对话功能，但使用deepseek或者chatgpt等等大模型我们或多或少都有这种感觉，好像他只能在言语上为我们解决一些问题，不能在实际生活帮我做一些事。比如今天我想要通过一句话让ai订一张上海到北京的机票（或者自动完成航班选择发送到手机上等我支付）。然而单纯的大模型仅仅是一个空有一身知识的决策高手，在语言能力上很强，可是缺乏动手能力啊。但是，

测试

提示词工程强调的是单次用户输入的结构化prompt，包含用户角色、职责等定义，让大语言模型能够更好理解我们的意图做出回答 而随着agent系统的发展,我们需要利用llm完成更多的系统决策、推理、工具调用。这需要大量与环境交互的信息，这些信息会被一起给到大语言模型进行理解，然后大语言模型的上下文窗口是有限的，所以如何管理这些上下文信息是比较重要，能够让agent系统能够准确完成我们的指令任务，输出正

🤖 模型初始化与调用 —— LangChain 的第一步 所在目录：models/initmodel_demo.ipynb核心依赖：langchain_openai、langchain_anthropic、langchain_core 前言在使用 LangChain 构建 AI 应用之前，第一步永远是”选一个大模型，把它跑起来”。models 模块就是干这件事的——它演示了如何初始化不同厂商

💬 消息系统详解 —— LangChain 的对话语言 所在目录：message/message_use.ipynb核心依赖：langchain_core.messages 前言如果说大模型是引擎，那么消息（Message）就是燃料。LangChain 用一套精心设计的消息类型系统来描述”对话”这件事——谁说了什么、什么角色说的、工具返回了什么……每一条信息都有明确的类型。 理解消息系统，是

🧠 Memory 记忆模块 —— 让 AI 记住过去的对话 所在目录：memory/short_memory.ipynb核心依赖：langgraph.checkpoint、langgraph.store、langchain.agents 前言一个没有记忆的 AI 助手，每次对话都像是第一次见面。它不知道你叫什么名字，不知道你上次讲过什么，更别说积累对你的了解。 LangChain/LangG

📦 结构化输出 —— 让 AI 说”机器能懂的语言” 所在目录：struct_output/struct_op_test.ipynb核心依赖：langchain_core、pydantic 前言大模型的默认输出是自由格式的文本，但在实际开发中，我们经常需要模型返回固定格式的数据： 从简历中提取姓名、邮箱、工作经历 分析情感，返回 {"sentiment": &

🔧 Tools 工具系统 —— 给 Agent 装上”手” 所在目录：tools/tool_demo.ipynb、tools/tool_runtime.ipynb核心依赖：langchain.tools、langchain.agents 前言大模型天生只能”说话”，它拥有海量知识，却无法执行代码、查询数据库、调用外部 API。Tools（工具） 解决了这个问题——它让 Agent 拥有了”手

🤖 Agent 智能体 —— 能思考、能行动的 AI 所在目录：agent/agent_hello.ipynb、agent_task/todolistagent.py、agent_task/test_todolistagent.py核心依赖：langchain.agents、langgraph 前言如果说前面几个模块（模型、消息、工具）是 AI 应用的零件，那么 Agent（智能体） 就是把

⚡ 流式输出（Streaming）—— 让回复”实时涌现” 所在目录：chunk/stream_mode.ipynb核心依赖：langchain_openai、langchain.agents 前言ChatGPT 的回复是一个字一个字涌现出来的，而不是等全部生成完再展示——这就是流式输出（Streaming）。它让用户感受到”AI 正在实时思考”，而不是对着空屏幕等待。 对比维度 普通