学习进度

模型有两个绕不开的限制。一是上下文有限，再大的窗口也塞不下整个资料库。二是知识过期，训练数据停在某个时间点，之后的它一概不知。检索增强，RAG，就是冲着这两个限制去的，回答问题之前先把相关资料找出来给它。

学习进度

Agent 是一台完整机器，模型是发动机，create_agent 是把油路电路接好的线束，系统提示、工具、中间件都在里面。这一篇把 create_agent 的完整签名摊开看，十五个参数逐个过，六个钩子各守一个位置跑通，流式执行也顺一遍。

学习进度

工具让模型伸手干活。你给它的工具箱里放一个 get_weather，它自己决定调不调、自己填参数，拿到结果再组织回答。这一篇把工具这条链路补齐，从 @tool 装饰器把一个普通函数变成工具讲起，到 bind_tools 绑定、模型发起调用、ToolMessage 回传，再到出错怎么办、工具多了怎么管。

学习进度

消息是模型接口的通用语言。你传进 invoke 的一切，最后都会被整理成一个消息列表发给模型，字符串只是框架帮你包好的语法糖。多轮对话、多模态、工具调用，这几个场景里你必须亲手构造消息，所以先把这门语言讲透。

学习进度

模型是应用的大脑，这一篇讲怎么把它接进来。LangChain 的模型抽象把所有提供商收拢到一个接口后面，你的代码只面对 BaseChatModel，面对 invoke、stream、batch 三个方法，换模型只改一个字符串，不用再碰每家 SDK 各自的鉴权、参数名和流式协议。

现在做 AI 应用的人，几乎都绕不开 LangChain 和 LangGraph 这两个名字。

大模型本身只会聊天，你问一句它答一句。要把这种能力变成能干活的应用，还得给它接上工具，查数据库、调接口、读文件，还要记住多轮对话里聊过什么。流程长一点，需要能在中间停下来等人确认；跑上十分钟的任务中途挂了，得从断点续上，而不是从头再来。这些事情每件都不难，凑在一起就是一套基础设施。