LLMAgent开发实战
用 LangChain/LangGraph 搭建能自主规划与调用工具的 AI Agent
科技 · 科技 · AI · Agent · LLM · 后端转型 · 作者：Victor · 1 人学过
学什么：Agent 核心概念（与普通 LLM 调用的本质区别）、Function Calling 与工具调用机制、记忆机制（短期/长期记忆、向量检索）、ReAct 等规划与推理模式、LangChain/LangGraph 框架核心组件与开发流程、Agent 调试与可观测性、从零搭建一个能调用工具、带记忆与规划的完整 Agent 项目并跑通
不学什么：Transformer 与深度学习理论、模型微调与训练、多模态 Agent 前沿论文、生产级高并发部署与运维、Agent 安全与对齐的深度讨论、RAG 高级优化（混合检索、重排序等仅做入门提及）
知识地图
Agent 核心概念：与 LLM 调用的本质差异与 Function Calling 基础
理解 Agent 与普通 LLM 调用的本质差异，并掌握 Function Calling 与 Structured Outputs 的原理、边界与选型。
建立 Agent 与普通 LLM 调用的本质区别认知，并掌握 Function Calling 与 Structured Outputs 的工作原理、差异与工具描述方法，为后续工具链与规划能力打下基础。
工具调用进阶：多轮编排、健壮性与厂商对比
能设计支持多轮、并行、健壮的工具体系，理解工具调用与流式输出的工程取舍，并能横向对比主流厂商的工具调用实现。
在单次 Function Calling 基础上，深入多轮工具调用、并行调用、错误处理、提示词调优、流式输出与厂商对比，让工具链从能跑走向可靠。
记忆机制：短期上下文与长期向量记忆的工程实践
能为 Agent 装配可工作的短期+长期记忆系统，理解 token 预算、窗口管理与长期检索的工程取舍。
掌握短期记忆（窗口与摘要）与长期记忆（向量检索）两套机制，并把 token 预算与上下文窗口这一现实约束纳入设计，让 Agent 具备跨轮与跨会话的状态能力。
规划与推理模式：从 CoT 到 ReAct 与自反思
能选用合适的推理模式把复杂任务拆解为可执行步骤，并在执行中具备重规划与自纠错能力。
掌握 Chain-of-Thought、ReAct、Plan-and-Execute、反思与重规划等核心规划与推理模式，让 Agent 从会调用工具升级到会拆解任务并自我修正。
LangChain 与 LangGraph：把工具、记忆、规划组装为可运行 Agent
用 LangChain 与 LangGraph 把工具、记忆、规划组装为可运行的 Agent 程序，掌握状态图与中断机制的设计方法。
系统掌握 LangChain 核心抽象与 LangGraph 状态机/有向图范式，把前述机制工程化落地。
调试、可观测性与端到端 Agent 项目实战
能独立完成带工具调用、记忆与规划的完整 Agent 项目交付，并具备调试、自动评估与持续迭代能力。
掌握 Agent 常见失败模式、可观测工具与自动评估方法，并以一个端到端项目走完从需求拆解、目录结构、关键代码、本地跑通到回归迭代的完整闭环。