12/29
2025/12/29 21:41:43
文章指出AgentExecutor已被LangGraph取代，后者通过图、状态和循环的概念构建可控的AI智能体。LangGraph提供可视化流程、人机协同等优势，与LangChain形成互补关系。作者推出系列实战教程，将带领读者从基础组件开始，逐步构建先进AI智能体架构，包括ReAct循环、Memory机制、Human-in-the-loop和多智能体协作等内容，帮助开发者摆脱黑盒焦虑，打造真正可控的AI应用。
🚨 别再死磕 AgentExecutor 了！从零手搓“可控”AI 智能体（LangGraph 实战系列·先导篇）
如果你最近在折腾 AI 应用开发，尤其是使用 LangChain 时，是否遇到过以下让你 **“血压飙升”**的时刻：
- 😖黑盒焦虑：用了
AgentExecutor，代码跑起来了，但你根本不知道它是怎么跑的。一旦它陷入死循环或胡言乱语，你完全无法调试。 - 📉版本地狱：照着半年前的教程写代码，结果满屏红色的
DeprecationWarning，官方文档更是像迷宫一样难以捉摸。 - 🤯失控感：你想让 Agent 在关键时刻停下来等你确认，或者想强制它走特定的流程，却发现现有的框架把你绑得死死的。
朋友，不是你菜，是工具变了。
💀 AgentExecutor 已死，LangGraph 当立
在 2023 年，我们还在用简单的“链（Chain）”来串联 LLM。但在 2025 年的今天，构建复杂的 AI 应用（Agent），线性的“链”已经不够用了，我们需要的是“循环”和“图”。
LangChain 官方其实早已明牌：旧版的AgentExecutor是遗留产物，未来属于 LangGraph。
LangGraph 不是一个新的库，它是 LangChain 的一次升维。它引入了图（Graph）、状态（State）和循环（Loop）的概念，把 Agent 的思考过程变成了可视化的流程图。
- ✅它是可控的：每一个步骤、每一次跳转，都在你的掌控之中。
- ✅它是可见的：你可以清楚地看到 AI 走到了哪个节点，挂在了哪里。
- ✅它是容错的：支持人机协同（Human-in-the-loop），AI 犯错，人类来改。
⚖️ LangChain vs LangGraph：我该选哪一个？
很多同学容易晕：“LangGraph 出来了，LangChain 是不是就废了？”
完全不是。它们是基石与建筑的关系。
- LangChain Core (LCEL)：是地基。它提供了标准化的接口（Prompt、LLM、OutputParser）和连接方式。
- LangGraph：是架构。它专注于解决流程控制（循环、分支、持久化状态）。
一张表帮你做技术选型：
| 你的需求 | 推荐方案 | 例子 |
|---|---|---|
| 单向流水线 | LangChain (LCEL) | 简单的 RAG、翻译文章、提取摘要 |
| 需要决策与循环 | LangGraph | 自动写代码（写->测->改循环）、多步推理 Agent、多智能体协作 |
**简单来说：**如果你的业务流程是一条直线（DAG），用 LangChain 就够了；如果你的流程里有“圈”（Cycle），或者需要让 AI “停下来想一想”，LangGraph 是唯一解。
🔬 你的调试“显微镜”：LangSmith
既然我们要“手搓”可控的 Agent，光有代码是不够的，我们还需要一双能看透 AI 内部的眼睛。
在这个系列中，我还会引入LangSmith的实战演示。
如果说 LangGraph 是复杂的引擎，那 LangSmith 就是仪表盘。 很多时候你发现 Agent 变笨了，不是模型不行，而是 Prompt 在中间某个步骤传歪了。LangSmith 能让你看到：
- 链路追踪 (Tracing)：不仅看到结果，还能看到 Agent 每一步的思考过程（CoT）。
- 可视化调试：直接在网页上看到你的 Graph 是怎么流转的。
- 数据集评测：当你修改了 Prompt，怎么确保 Agent 没有变傻？用数据说话。
在这个专栏的后续章节，我会教大家如何把 LangSmith 集成进来，让你在 Debug 时拥有上帝视角。
🛠️ 这个系列我们要干什么？
我不讲废话，也不照搬文档。
我准备了一个全新的专栏系列：《LangGraph 1.0 实战：从零手搓可控 Agent》。
我们将从最基础的组件开始，一行行代码，“手搓”出当下最先进的 AI 智能体架构。我们不使用那些封装过度的“魔法函数”，而是要把 Agent 的核心逻辑拆解开来，让你看个明明白白。
🗺️ 我们的征途（系列规划）：
- 🧱 第一阶段：打地基 (LangChain Core)
- 抛弃冗余，只学
Prompt、Model和Tools。 - 掌握 LCEL 表达式，学会如何优雅地调用 LLM。
- 🔄 第二阶段：思维的转折 (LangGraph 基础)
- 理解什么是StateGraph（状态图）。
- 学会用 **Conditional Edge（条件边）**让 AI 做选择题。
- 🧠 第三阶段：手搓核心 (The Loop)
- **重头戏！**我们将手动实现经典的ReAct 循环。
- 彻底告别
AgentExecutor，看着 AI 思考 -> 拿工具 -> 执行 -> 再思考。 - 加上Memory（记忆），让 AI 记住你的上下文。
- 🛡️ 第四阶段：人机协同 (Human-in-the-loop)
- 给 Agent 装上“暂停键”。
- Time Travel（时光倒流）：修改 AI 的错误记忆，让它重新执行。
- 🤝 第五阶段：多智能体 (Multi-Agent)
- 打造一个由“产品经理”、“程序员”和“测试”组成的 AI 虚拟团队。
最后
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**