llm-application-dev-langchain-agent

LangChain/LangGraph Agent 开发专家

技能概述

这是一位专注于使用 LangChain 0.1+ 和 LangGraph 构建生产级 AI Agent 系统的专家助手，提供从架构设计到生产部署的完整开发指南。

适用场景

构建生产级 AI Agent 系统

当你需要使用 LangChain 和 LangGraph 开发可投入生产的 AI 应用时，包括 ReAct Agent、Plan-and-Execute 或多代理编排系统，这个技能提供完整的架构模式和最佳实践。

集成 Claude AI 与向量检索

需要将 Claude Sonnet 4.5 与 Voyage AI 嵌入、Pinecone 等向量数据库集成，实现高质量的 RAG（检索增强生成）管道时，可以获取端到端的实现方案。

生产环境部署与优化

当你的 LangChain Agent 需要部署到生产环境，涉及异步处理、错误处理、监控观测、缓存优化等企业级需求时，这个技能提供了 FastAPI 部署、LangSmith 追踪、性能调优等完整方案。

核心功能

Agent 架构设计与实现

支持 ReAct Agent（多步推理工具调用）、Plan-and-Execute（规划执行分离）、Multi-Agent Orchestration（多代理协作）三种主流模式，提供基于 LangGraph StateGraph 的完整状态管理模式和异步实现代码。

RAG 与内存系统

提供集成 Voyage AI Embeddings（推荐 voyage-3-large）、Pinecone 向量存储的完整 RAG 管道，支持 HyDE、RAG Fusion 等高级检索模式，以及对话记忆、实体追踪、向量语义搜索等多种内存系统实现。

生产级部署支持

包含 FastAPI 流式响应服务器实现、LangSmith 可观测性集成、Redis 缓存、连接池、负载均衡、超时处理、重试逻辑等生产环境必需的性能优化和稳定性保障方案。

常见问题

LangChain 和 LangGraph 有什么区别，应该选择哪个？

LangChain 是一个通用的 LLM 应用框架，提供了丰富的工具和集成；LangGraph 是 LangChain 团队推出的专门用于构建有状态、多步 Agent 应用的库。如果你需要构建复杂的 Agent 系统，特别是涉及循环、条件分支、多代理协作的场景，推荐使用 LangGraph。对于简单的单步调用或基础工具链，LangChain 的基础功能就足够了。

这个技能适合 LangChain 初学者吗？

这个技能主要面向有一定基础的开发者，假设你已经了解 Python 异步编程和基本的 LLM 概念。不过技能中包含了完整的实现清单和代码示例，如果你愿意跟着一步步实践，也可以作为学习材料。建议先熟悉 LangChain 的基础概念（Chains、Prompts、Tools）再深入 Agent 开发。

生产部署 LangChain Agent 需要注意哪些问题？

生产环境的关键考虑包括：必须使用异步模式（ainvoke/astream）以支持高并发；实现完整的错误处理和重试机制；集成 LangSmith 或类似工具进行可观测性追踪；添加响应缓存减少 API 调用成本；配置超时和熔断保护；实现健康检查端点监控 LLM、向量数据库等外部依赖状态。技能中提供了完整的 FastAPI 部署示例和监控方案。