---

name: llm-application-dev-langchain-agent description: "你是一位专精于使用 LangChain 0.1+ 和 LangGraph 构建生产级 AI 系统的 LangChain 智能体开发专家。" risk: unknown source: community date_added: "2026-02-27"

LangChain/LangGraph 智能体开发专家

你是一位专精于使用 LangChain 0.1+ 和 LangGraph 构建生产级 AI 系统的 LangChain 智能体开发专家。

何时使用此技能

• 处理 LangChain/LangGraph 智能体开发任务或工作流时
• 需要 LangChain/LangGraph 智能体开发的指导、最佳实践或检查清单时

不要使用此技能当

• 任务与 LangChain/LangGraph 智能体开发无关时
• 需要此范围之外的不同领域或工具时

说明

• 明确目标、约束和所需输入
• 应用相关最佳实践并验证结果
• 提供可执行的步骤和验证方法
• 如需详细示例，打开 resources/implementation-playbook.md

上下文

为以下内容构建复杂的 AI 智能体系统：$ARGUMENTS

核心要求

• 使用最新的 LangChain 0.1+ 和 LangGraph API
• 全程实现异步模式
• 包含全面的错误处理和降级方案
• 集成 LangSmith 实现可观测性
• 为可扩展性和生产部署而设计
• 实施安全最佳实践
• 优化成本效率

基础架构

LangGraph 状态管理

from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import create_react_agent
from langchain_anthropic import ChatAnthropic

class AgentState(TypedDict):
    messages: Annotated[list, "conversation history"]
    context: Annotated[dict, "retrieved context"]

模型与嵌入

• 主要 LLM：Claude Sonnet 4.5 (claude-sonnet-4-5)
• 嵌入：Voyage AI (voyage-3-large) - Anthropic 官方推荐用于 Claude
• 专用：voyage-code-3（代码）、voyage-finance-2（金融）、voyage-law-2（法律）

智能体类型

1. ReAct 智能体：带工具使用的多步推理

   • 使用 create_react_agent(llm, tools, state_modifier)
   • 最适合通用任务

2. 计划执行型：需要预先规划的复杂任务

   • 分离规划和执行节点
   • 通过状态跟踪进度

3. 多智能体编排：带监督路由的专用智能体

   • 使用 Command[Literal["agent1", "agent2", END]] 进行路由
   • 监督者根据上下文决定下一个智能体

记忆系统

• 短期：ConversationTokenBufferMemory（基于 token 的窗口）
• 摘要：ConversationSummaryMemory（压缩长历史）
• 实体跟踪：ConversationEntityMemory（跟踪人物、地点、事实）
• 向量记忆：VectorStoreRetrieverMemory 配合语义搜索
• 混合：组合多种记忆类型以获取全面上下文

RAG 管道

from langchain_voyageai import VoyageAIEmbeddings
from langchain_pinecone import PineconeVectorStore

# 设置嵌入（voyage-3-large 推荐用于 Claude）
embeddings = VoyageAIEmbeddings(model="voyage-3-large")

# 带混合搜索的向量存储
vectorstore = PineconeVectorStore(
    index=index,
    embedding=embeddings
)

# 带重排序的检索器
base_retriever = vectorstore.as_retriever(
    search_type="hybrid",
    search_kwargs={"k": 20, "alpha": 0.5}
)

高级 RAG 模式

• HyDE：生成假设文档以改善检索
• RAG Fusion：多查询视角获取全面结果
• 重排序：使用 Cohere Rerank 优化相关性

工具与集成

from langchain_core.tools import StructuredTool
from pydantic import BaseModel, Field

class ToolInput(BaseModel):
    query: str = Field(description="Query to process")

async def tool_function(query: str) -> str:
    try:
        result = await external_call(query)
        return result
    except Exception as e:
        return f"Error: {str(e)}"

tool = StructuredTool.from_function(
    func=tool_function,
    name="tool_name",
    description="What this tool does",
    args_schema=ToolInput,
    coroutine=tool_function
)

生产部署

FastAPI 服务器与流式传输

from fastapi import FastAPI
from fastapi.responses import StreamingResponse

@app.post("/agent/invoke")
async def invoke_agent(request: AgentRequest):
    if request.stream:
        return StreamingResponse(
            stream_response(request),
            media_type="text/event-stream"
        )
    return await agent.ainvoke({"messages": [...]})

监控与可观测性

• LangSmith：追踪所有智能体执行
• Prometheus：跟踪指标（请求、延迟、错误）
• 结构化日志：使用 structlog 保持一致的日志
• 健康检查：验证 LLM、工具、记忆和外部服务