从模型调用、提示词模板、工具调用，到智能体、中间件、上下文记忆与 RAG —— 10 课时课件完整转换为图文并茂的网页讲义，代码与配图原样保留。
from langchain.agents import create_agent
agent = create_agent(
model="deepseek-v4-flash",
tools=[search_tool, rag_tool],
system_prompt="你是一名 LangChain 课程助教",
)
response = agent.invoke(
{"messages": [{"role": "user", "content": "什么是智能体？"}]}
)每一课都包含完整的原始讲解文案、可运行的代码示例与课件配图，可作为离线讲义随时查阅。
所以要构建真正实用的AI应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合，从而催生了LangChain框架的设计理念。
本章对应的官网文档出处：
LangSmith 是 LangChain 生态系统中专门用于 LLM（大语言模型）应用调试、监控、评估和管理 的平台。
大模型没有记忆，它的输出只和输入模型的内容有关（上下文）。很多大模型API服务也没有在服务端维护会话历史，是“ 无状态”的。因此，如果应用需要“记住”对话历史，需要在程序中维护…
要构建更强大的AI工程应用，只有生成文本这样的“ 纸上谈兵”能力自然是不够的。
LangChain的结构化输出（Structured Output） 指的是：
通用人工智能（AGI）将是AI的终极形态，几乎已成为业界共识。同样，构建智能体（Agent）则是AI工程应用当下的“终极形态” ，即Agent是大模型应用开发的核心。
在 createagent() 的底层运行机制中，有几个重要的组件，分别是：
记忆是一种记住之前互动信息的系统。随着Agent处理涉及大量用户交互的复杂任务，记忆变得至关重要！
Retrieval直接翻译过来即“检索”，本章Retrieval模块包括与检索步骤相关的所有内容，例如数据的获取、切分、向量化、向量存储、向量检索等模块。