星辰大海

本文基于Anthropic的《Building Effective Agents》，详细讲解LangGraph中的工作流与智能体模式。工作流是预定义代码路径的LLM和工具编排系统，智能体是LLM动态指导自身流程的系统。文章涵盖提示词链、路由、并行化、编排者-工作者、评估者-优化器五种工作流模式，以及智能体的实现方式，为开发者提供Graph API和Functional API两种实现途径。

本文手把手教你使用LangGraph构建深度研究智能体DeepResearch。文章介绍研究型智能体为什么适合Agent架构：需要高自主性和决策能力、主题和信息源事先未知、可灵活运用不同策略。教程展示如何实现范围明确、研究执行、报告生成三步流程，以及多智能体架构和提示工程技术的应用。

本文介绍deepagents——一个受Claude Code启发的深度智能体Python框架，旨在让普通开发者也能轻松构建处理复杂任务的智能体系统。框架封装了规划工具、子智能体、文件系统工具和详细提示词等核心技术，支持自定义工具、子智能体和模型配置，可配合MCP使用，帮助开发者快速搭建具备长期规划和多步骤执行能力的深度智能体。

本文详细讲解LangGraph中结构化输出的实现方法，重点介绍.with_structured_output()方法的三种实现方式：Pydantic类（支持数据验证）、TypedDict（支持流式输出）和JSON Schema。通过完整代码示例展示如何在LangGraph工作流中使用结构化输出，以及多模式选择、流式输出、原始输出处理等高级技巧，帮助开发者构建更可靠的AI应用系统。

本文介绍MCP-Use——一个让开发者轻松将任何大语言模型连接到各种MCP服务器的Python库。文章阐述了MCP协议作为连接AI与工具桥梁的价值，展示了MCP-Use的四大核心优势：简单易用、多模型支持、沙箱安全和完全开源。通过一行代码即可让AI拥有工具调用能力，支持GPT-4、Claude、Llama等主流模型，大幅降低AI智能体开发门槛。

本文手把手教你用最基础的Python代码从零构建一个ReAct框架Agent。文章详细讲解Agent四大核心组件：LLM模型（大脑）、Memory（记忆）、工具（行动能力）和Prompt模板（思维方式），并通过计算器和狗体重查询两个工具实例，完整展示了ReAct框架中思考-行动-暂停-观察的循环执行流程，帮助读者深入理解Agent的工作原理。

本文是DeepLearning.AI经典课程LangChain for LLM Application Development的中文实践版，使用通义千问替代OpenAI模型进行演示。课程涵盖模型调用、提示词工程、结构化输出三大核心主题，详细介绍如何使用LangChain简化大模型开发流程，包括ChatPromptTemplate、StructuredOutputParser等核心工具的使用方法。

本文通过智能播报助手和批量建任务两个真实业务场景，深刻阐述了Agent与传统工程系统深度融合才是实现业务提效的有效路径。文章详细介绍了MCP协议的三种通信方式、playwright-mcp浏览器自动化工具的使用，以及如何在实践中识别Agent擅长的语义匹配任务与工程擅长的精确处理任务，最终提出了Agent与工程的选型指南和能力对比。

本文深入分析Browser-Use的三大核心技术模块，探讨如何让AI理解和操作网页。传统的浏览器自动化依赖固定选择器和流程编排，难以应对界面变化。新一代Browser-Use以LLM为大脑负责任务规划与语义理解，结合视觉识别、DOM分析、动作预测等模块，实现对浏览器环境的感知、决策与执行闭环。文章详细介绍了DOM解析技术、视觉理解模块、以及如何完成注册、比价、填报、监控等多步骤复杂任务的自主自动化。基于LangChain生态构建，将LLM语义理解能力与浏览器自动化深度结合。

本文基于Anthropic团队内部实践，探讨如何通过AI协作重塑编程工作流。将程序员工作归纳为三大核心场景并对应不同协作策略：同步协作模式适用于核心关键路径（架构设计、核心算法），人机实时配合持续监督；异步自主模式适用于重复性执行任务（SQL分析、测试编写），AI独立工作人工定期检查；混合探索模式适用于未知领域探索（新技术学习、代码库理解），先探索理解再执行实现。文章强调将AI从编码助手升级为开发搭档，帮助程序员突破技能边界，实现任务自动化和团队协作优化。