Towards Automating Eval Engineering
文章介绍了Eval Engineering Skill，这是一个帮助编码代理使用仓库上下文和代理跟踪构建评估的技能。该技能通过检查代理结构、挖掘模式并与用户交互，生成可执行的Harbor格式评估。文章还强调了迭代设计评估的重要性，以及容器化评估在持续学习中的作用。
全部文档 / 标签: LangChain
48 篇
Agent Wikis 的现状与发展
文章探讨了 LLM Wiki 模式的兴起，即通过在摄取时编译知识而非查询时检索，解决传统 RAG 无法积累知识的问题。介绍了 Cognition、FactoryAI、LangChain 等团队构建的 Agent Wiki 系统，分析了其架构原理及在维护成本上的优势。
LangChain 的开源软件工程代理工厂
LangChain 推出一套开源软件工程代理工具，包括本地编码的 dcode、云端自动作业的 OpenSWE、代码审查的 OpenSWE Review 以及维护文档的 OpenWiki。这些工具基于 Deep Agents 构建，支持开源模型和 LangSmith 追踪，旨在让团队在不同工作流中拥有对 AI 代理的完全控制与定制能力。
How to Become an LLM Engineer
本文是2026年成为LLM工程师的实用指南，涵盖核心技能（RAG、Agents、生产部署）、学习路线、推荐工具及项目构建建议，帮助读者系统掌握大模型应用开发与工程化能力。
私有知识库从 demo 到生产，中间差了 8 层工程
文章探讨了私有知识库项目在实际落地中遇到的挑战。许多 Demo 看起来聪明，但在生产环境中常因检索链路混乱而答非所问。作者指出单纯升级模型无济于事，根本在于构建稳固的 RAG 底座。文章详细拆解了从数据源、解析、清洗、切分、Embedding 到索引、检索、生成及评估的 8 层最小可用架构，并阐述了 Agentic RAG 如何通过决策层优化检索策略。最后提供了从 0 到 1 的搭建步骤及技术选型建议，强调权限过滤、混合检索与持续评估的重要性。
为什么你学了很多 Agent 工具，还是做不出真正可用的 Agent？
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
如何构建你自己的 Agent Harness
本文探讨了构建 AI Agent 系统时的架构问题。作者指出，大多数团队直接采用 LangChain 等现成的框架，这通常会将多种功能耦合在一个单体中，导致后期难以扩展。作者介绍了基于 iii 引擎的解耦方案：将 Harness 拆分为独立的、可替换的微服务，如凭据管理、策略引擎和模型目录。这种架构通过统一的触发原语连接，使开发者能够像搭积木一样自由替换组件，从而实现真正的“自建”系统。
腾讯开源 AI Agent 运行时系统 TencentDB Agent Memory
文章深度解析了腾讯开源的 TencentDB Agent Memory 系统。不同于市面上的“向量数据库+RAG”方案，该系统旨在解决长任务中的“上下文退化”问题。其核心创新在于短期压缩（Offload 机制）与长期记忆（四层流水线）的结合，通过三层回溯、任务图动态压缩及结构化记忆提取，有效管理了 Agent 的上下文窗口与记忆生命周期。
Agent Harness 拆解：AI Agent 的工程化基础设施
本文深入探讨了 Agent Harness 的概念，即包裹在 LLM 外部、将无状态模型转化为可用智能体的完整软件基础设施。文章引用了 Anthropic、OpenAI 和 LangChain 的实践，详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、记忆系统、上下文管理、验证循环等），并阐述了如何通过优化这层“操作系统”来解决遗忘、工具调用失败和上下文腐烂等工程难题。
深度拆解：AI Agent Harness 的构造
文章深入探讨了“AI Agent Harness”的概念，即包裹在大语言模型之外、使其转变为智能体的完整软件架构。作者详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、工具、记忆、上下文管理等），对比了 Anthropic、OpenAI 和 LangChain 的不同实现路径，并指出 Harness 工程是决定 AI 应用性能的关键。
Production Deep Agents 运行时指南：弹性执行、内存与多租户
本文探讨了将长运行周期的 Deep Agents 部署到生产环境所需的运行时基础设施。文章指出，除了 Agent 的 Harness（提示词、工具）外，更关键的是底层的 Runtime，它提供了弹性执行、持久化内存、多租户隔离、人在回路（HITL）和可观测性。文章详细介绍了如何通过检查点机制实现故障恢复与状态恢复，区分了短期与长期内存的存储策略，并阐述了在 Agent Server 中实现数据隔离与鉴权的多租户方案。
69个最佳开源AI仓库推荐（2026年4月）
文章精选了69个经过实战验证、维护活跃的开源AI仓库，旨在替代昂贵的API订阅。内容涵盖完整的AI技术栈，包括本地大模型推理、RAG知识库构建、AI智能体框架、提示词与评估、模型微调、工具链及部署等十大领域，为开发者、研究人员和独立黑客提供免费的生产级AI工具清单。
AI Agent 从零开发指南：构建你的第一个智能体
本文是一篇从零开始构建 AI Agent 的实战教程。作者整合了 Anthropic 和 OpenAI 等资源，详细介绍了 Agent 的工作原理（核心循环）、五种核心工作流模式（如提示链、路由、并行化等），并提供了从构思、设计工具与记忆机制到落地的完整步骤。文章还探讨了如何利用 LLM 自身辅助设计 Agent，帮助开发者快速构建实用型的自动化智能体。
DeepSeek V4 + GPT-5.5 一手实战，结果很意外！附 Codex 保姆级项目教程
文章详细记录了使用 GPT-5.5 和 Codex 开发“项目学习助手”全栈应用的全过程，包括后端（FastAPI+LangChain）、前端（Vue）及 DeepSeek V4 API 的接入。文中对比了 Codex 的优缺点，实测了新模型的代码生成能力，并提供了 AI 自主测试与调试的实战技巧。
AI 工程师学习路线图：从核心技能到生产实践
文章基于 2000 余份职位描述，规划了一条务实的 AI 工程师学习路径。重点指出 AI 工程并非从零训练模型，而是构建以 LLM 为核心的系统。核心技能包括 LLM 基础、RAG 检索增强、Agent 智能体、测试评估及监控部署。此外，文章还梳理了 Python、Web 开发、云原生及数据库等支撑性技能，并推荐了学习优先级与主流技术栈，旨在帮助开发者构建可靠、可落地的生产级 AI 系统。
Agent Harness 与记忆的重要性
文章探讨了 Agent Harnesses 成为构建 Agent 主导方式的现状，以及其与记忆的紧密联系。作者指出，闭源的 Harness 会导致用户失去对 Agent 记忆的控制权，从而形成严重的供应商锁定。为了构建个性化和具有粘性的 Agent 体验，文章主张 Harness 和记忆应当是开放的，确保用户拥有自己的数据。
你的安全带，你的记忆
文章由 LangChain 创始人 Harrison Chase 撰写，指出代理框架（安全带）已成为构建智能体的主流方式且不会消失。核心观点在于：框架与代理的记忆紧密相连。若使用封闭框架或专有 API，开发者将失去对记忆的控制权，导致严重的供应商锁定效应。文章强调记忆对于个性化体验和数据飞 wheel 的重要性，呼吁开发者使用开源、模型无关的开放框架，以真正拥有并控制属于用户的长期记忆数据。
