这次我们直接聊一个和“能不能落地”强相关的话题LangChain、LangGraph、MCP、Agent 这一整套 AI 应用开发技术栈到底该怎么学、怎么用、怎么在自己项目里跑通。现在网上讲大模型应用开发的资料很多但大多数要么只讲 LangChain 基础要么只放一个 Agent Demo真正把 LangChain、LangGraph、MCP、Agent 串起来做企业级实战的内容并不多。而这两年 AI 应用开发的变化又非常快LangChain 已经把很多能力下沉到了 LangGraphMCP 协议又被各大模型厂商和开发工具广泛接入Agent 也从“聊天机器人”走向了“能调用工具、能编排流程、能批处理任务”的工程化形态。如果你还在照着 2024 年的旧教程学很容易学完就发现 API 已经变了。这篇文章会围绕 2026 新版的企业级实战路线把 LangChain、LangGraph、MCP、Agent 这四块内容拆开讲清楚并给出一套可以直接照着做的本地部署、接口调用、批量任务和排查方法。前半部分先解决“这套技术栈能干什么、门槛在哪里”后半部分重点演示“从环境准备到 Agent 服务启动再到接口 API 调用和批量任务验证”的完整流程。无论你是刚入门 AI 大模型应用开发还是已经在做 RAG、Agent 项目这篇文章都建议先收藏。1. 核心能力速览在开始部署和写代码之前先把这套技术栈的规格梳理清楚。下面的表格不需要你完全背下来但建议先看一遍方便后面对照。能力项说明技术栈组成LangChain、LangGraph、MCP、Agent、AI 大模型主要功能LLM 调用封装、Prompt 管理、RAG、Tool 调用、Agent 工作流编排、MCP 服务接入、批量任务处理开源情况LangChain、LangGraph 均为开源项目MCP 为开放协议运行环境Python 3.10 推荐Windows / macOS / Linux 均可硬件要求纯调用云端大模型时无需独立 GPU本地部署模型建议 16G 以上内存显存需按模型版本确认启动方式Python 脚本启动 / LangGraph 服务启动 / FastAPI 接口启动是否支持 API支持可封装为 REST API 服务是否支持批量任务支持可通过循环、队列或 LangGraph 并行节点实现典型场景智能客服、知识库问答、文档解析、Agent 自动化、MCP 工具接入这里有一点需要先说清楚LangChain、LangGraph、MCP、Agent 不是一个“开箱即用”的软件而是一套开发框架和协议。这意味着你需要写代码、调 API、处理依赖而不是下载一个一键包就能双击启动。不过这也是它值钱的地方掌握这套技术栈之后你可以把不同的模型、工具、数据源组合成自己的 AI 应用。从材料给出的 2026 新版教程标题来看这一套课程的核心思路是“企业级实战 从入门到实战”而不是单独讲某一个框架的 API。所以下面的内容也会按照“先理解概念再准备环境再写代码再测试接口再跑批量任务”的顺序展开。2. 适用场景与使用边界2.1 适合谁先判断一下你需不需要学这套技术栈AI 应用开发者你已经在用大模型 API但每次都要自己封装 Prompt、处理上下文、管理多轮对话希望有一套更工程化的方案。RAG 项目开发者你需要把公司内部文档、PDF、网页内容接入大模型做知识库问答LangChain 是目前最成熟的 RAG 框架之一。Agent 开发工程师你要做的不只是“聊天”而是让模型自动调用搜索、数据库、API、代码执行等工具LangGraph 比裸写 while 循环更可控。MCP 服务使用者你想了解 MCP 协议是什么为什么蓝湖、Figma、IDE 等工具都在接入 MCP以及如何把 MCP Server 接到自己的 Agent 里。课程学员或自学者你在纠结先学 LangChain 还是 LangGraph担心学了老版本 API 后用不上需要一条 2026 年的学习路线。2.2 能解决什么问题这套技术栈解决的核心问题有三个第一把大模型从“聊天接口”变成“应用组件”。你可以用 LangChain 的 ChatModel 封装统一调用 OpenAI、国产大模型、本地模型不需要每次写一堆 HTTP 请求模板。第二让 Agent 从“实验 Demo”变成“可编排流程”。LangGraph 引入了图结构你可以定义节点、条件边、循环、并行分支让 Agent 的行为变得可预测、可调试。第三让外部工具接入标准化。MCP 协议解决了“每个 Agent 都要自己写一套工具接入方式”的问题。只要工具方提供 MCP Server你的 Agent 就能按统一方式发现和调用工具。2.3 不适合什么场景如果你只需要 ChatGPT 网页版或者开箱即用的应用不需要学这套技术栈。如果你只想跑通一个几行代码的 Prompt Demo直接用大模型官方 SDK 更快不建议一上来就引入 LangChain。如果你的项目只有固定流程、完全不需要模型自主决策传统代码更好维护。如果本地部署大模型 大批量任务需要极高并发需要做架构设计不能简单套用教程里的单机脚本。2.4 合规与安全边界使用这套技术栈开发跟 AI 大模型相关的项目时有几个边界必须提前确认调用第三方大模型 API 时注意数据隐私和合规要求尤其是涉及公司内部数据或用户个人信息时需要确认是否允许发送到云端模型。本地部署大模型时需要确保模型权重来源合规使用开源模型也要遵守对应许可证。如果你做 Agent 去自动操作外部系统比如发送邮件、修改数据库、调用第三方服务必须做权限控制、审批机制和操作日志。涉及人脸、声音、文档版权的内容必须确认授权后再处理。MCP Server 接入的第三方工具要确认它是否安全避免把 API Key 泄露给不可信的工具服务。3. 环境准备与前置条件3.1 操作系统与 Python 环境LangChain、LangGraph、MCP Agent 开发以 Python 为主推荐使用 Python 3.10 或更高版本。Windows、macOS、Linux 都可以但如果你要本地跑 LangGraph 服务或者部署到服务器Linux 更省事。建议先创建虚拟环境避免不同项目之间的依赖冲突。python -m venv .venv source .venv/bin/activate # Windows 使用 .venv\Scripts\activate然后升级 pippython -m pip install --upgrade pip3.2 核心依赖安装根据项目需要安装 LangChain、LangGraph、LangChain Community、LangGraph CLI 和 MCP 相关库。2026 年版本中LangGraph 已经逐步成为工作流编排的核心所以安装时建议把 LangGraph 相关包一起装上。pip install langchain pip install langchain-core pip install langchain-community pip install langgraph pip install langgraph-cli pip install langchain-openai pip install mcp说明LangChain 的生态包更新比较频繁如果你在安装过程中遇到版本冲突可以先不锁定版本安装最新稳定版如果后续代码报 API 变更错误再按错误信息调整。3.3 大模型 API 配置LangChain 和 LangGraph 本身不包含大模型你需要准备一个可用的模型接入方式。常见的做法有两种第一种使用云端大模型 API需要配置 API Key 和基础地址。以 OpenAI 兼容接口为例export OPENAI_API_KEY你的_API_Key export OPENAI_API_BASEhttps://api.openai.com/v1如果你使用国内大模型服务或本地部署的模型网关通常也提供 OpenAI 兼容接口可以按类似方式设置。第二种本地部署大模型。这种情况下你不需要把数据发送到外部服务但需要一定的硬件支持。一般来说CPU 推理也可以跑小模型但速度会比较慢如果想流畅运行 7B 级别的模型建议至少准备 16G 内存显存按模型量化版本确认。这里不做具体显存数字的保证因为不同量化等级、上下文长度、并发数对显存的影响差异很大。3.4 端口与目录规划LangGraph 启动服务时默认会监听某个端口如果端口被占用会启动失败。建议在项目目录下规划清晰的目录结构agent-project/ ├── .venv/ ├── src/ │ ├── agent.py │ ├── tools.py │ └── graph.py ├── config/ │ └── settings.yaml ├── data/ │ ├── input/ │ └── output/ ├── logs/ └── requirements.txt批量任务的输入输出分目录管理后面处理大量文件时会方便很多。4. 安装部署与一键启动这一节我们从零开始搭建一个可运行的 Agent 服务并演示三种启动方式。需要提前说明下面示例是通用模板实际命令中的路径、模型名、端口需要按你的项目替换。4.1 安装 LangGraph CLI 并初始化项目LangGraph 提供了命令行工具可以快速创建一个项目骨架。langgraph new agent-project执行后按提示选择模板生成一个包含 LangGraph 服务配置的项目。如果你拉取的是现有项目可以直接跳到下一步。4.2 编写一个最小 Agent下面的代码实现了最简单的 Agent接收用户消息调用大模型返回回答。这里用create_react_agent创建一个带工具调用能力的 Agent但先不绑定任何工具先验证链路是否通。import os from langchain_openai import ChatOpenAI from langgraph.prebuilt import create_react_agent os.environ.setdefault(OPENAI_API_KEY, your-api-key) model ChatOpenAI( modelgpt-4o-mini, temperature0.3, ) agent create_react_agent(modelmodel) def run(message: str): config {configurable: {thread_id: test-1}} result agent.invoke({messages: [{role: user, content: message}]}, configconfig) return result[messages][-1].content if __name__ __main__: print(run(用一句话介绍 LangGraph))这里有几点需要说明create_react_agent是 LangGraph 预构建的 ReAct Agent适合快速验证。如果你使用的模型不支持工具调用需要换成普通StateGraph或使用支持 function calling 的模型。如果使用本地模型需要保证模型服务已经启动并且 API 地址与base_url一致。4.3 在 LangGraph 中显式编排节点当项目变复杂建议使用StateGraph来定义流程。下面是一个带条件路由的最小实现先调用模型然后根据输出是否包含“工具”字样决定走哪个分支。这个例子用于理解 LangGraph 的节点和边关系。from typing import TypedDict, Literal from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph model ChatOpenAI(modelgpt-4o-mini) class State(TypedDict): query: str answer: str def call_model(state: State): response model.invoke(state[query]) return {answer: response.content} def route(state: State) - Literal[need_tool, end]: if 工具 in state[query]: return need_tool return end def tool_node(state: State): return {answer: state[answer] 说明这里可以替换为真实工具调用} graph StateGraph(State) graph.add_node(llm, call_model) graph.add_node(tool_node, tool_node) graph.add_edge(__start__, llm) graph.add_conditional_edges(llm, route, {need_tool: tool_node, end: __end__}) graph.add_edge(tool_node, __end__) app graph.compile()这种图结构的好处是Agent 的每一步变得可追踪、可控制尤其适合多步骤企业流程。LangGraph 还支持子图、并行分支和循环检测后面做批量任务时可以配合使用。4.4 启动 LangGraph 服务LangGraph 可以作为一个 API 服务启动。LangGraph CLI 提供了一条命令langgraph dev启动后默认会提供一个本地接口地址你可以用浏览器访问。如果你不想依赖 LangGraph 自带服务也可以直接用 FastAPI 把它包装成自己的接口。from fastapi import FastAPI from pydantic import BaseModel from agent import run app FastAPI() class QueryBody(BaseModel): message: str app.post(/agent) def agent_endpoint(body: QueryBody): return {reply: run(body.message)}然后启动服务uvicorn main:app --host 127.0.0.1 --port 8600这里需要注意LangGraph 服务默认端口、FastAPI 自定义端口都可能冲突。如果发现端口被占用使用--port换一个端口或者先查看端口占用情况。4.5 检验启动是否成功至少完成以下三个检查日志中没有报错。本地接口地址能打开或者访问/docs、/health能看到接口文档或健康状态。发送一次测试请求返回结果正常。如果发现“服务启动成功但页面打不开”优先检查端口是否被防火墙拦截、服务是否绑定到了127.0.0.1而不是0.0.0.0。5. 功能测试与效果验证不同的项目需要的 Agent 功能差别很大下面给出一套通用测试流程。5.1 测试基础对话能力先不要接任何工具只测试 Agent 是否能正常调用大模型并返回结果。result agent.invoke({messages: [{role: user, content: 你好介绍一下你自己}]}) print(result[messages][-1].content)判断标准返回内容是否正常无超时、无报错。是否消耗了 API 配额或本地模型资源。日志中是否记录完整的请求和响应。如果模型返回为空可能是模型 API 地址配置错误、API Key 无效、或者请求超时。5.2 测试工具调用Function Call给 Agent 绑定一个简单的工具例如获取当前时间或查询天气。这一步是 Agent 开发中最常见的验证点。from langchain_core.tools import tool tool def get_current_city() - str: 返回当前所在城市用于测试工具调用。 return 北京 tool def get_weather(city: str) - str: 查询指定城市的天气。 return f{city}晴25℃适合测试。 agent create_react_agent(modelmodel, tools[get_current_city, get_weather])测试输入帮我查一下北京的天气预期结果Agent 先调用get_weather工具拿到结果后组织回答。判断标准日志中出现了工具调用记录。返回内容包含工具返回的天气信息。如果模型一直不调用工具可能是模型能力不支持 function calling或工具描述不够清晰。5.3 测试 RAG 知识库问答RAG 是 LangChain 最常见的生产场景。你可以用本地文档构建向量索引然后让 Agent 根据文档回答。流程如下将文档拆分为 chunk。调用 Embedding 模型向量化。存入向量数据库。检索相关片段并拼接 Prompt。大模型基于检索结果回答。from langchain_community.document_loaders import TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import FAISS loader TextLoader(docs/company.md) documents loader.load() splitter RecursiveCharacterTextSplitter(chunk_size500, chunk_overlap50) chunks splitter.split_documents(documents) embeddings OpenAIEmbeddings() vectorstore FAISS.from_documents(chunks, embeddings) retriever vectorstore.as_retriever(search_kwargs{k: 3})然后定义一个检索工具绑定给 Agent。tool def search_docs(query: str) - str: 根据用户问题检索公司知识库文档。 docs retriever.get_relevant_documents(query) return \n.join([d.page_content for d in docs])测试输入根据知识库内容介绍一下公司产品的售后服务政策。判断标准回答内容是否来自知识库而不是模型胡编。检索结果是否相关。如果答案是模型自己编的说明检索没有命中需要检查 chunk 大小、embedding 模型和检索 TopK。5.4 测试多轮对话状态Agent 企业级应用通常需要多轮记忆。LangGraph 中可以通过thread_id维护会话状态。config {configurable: {thread_id: session-001}} agent.invoke({messages: [{role: user, content: 我的名字是张三}]}, configconfig) agent.invoke({messages: [{role: user, content: 我叫什么名字}]}, configconfig)第二问应该能正确回答“张三”。如果不能记住说明记忆配置没有生效或者模型没有拿到历史消息。5.5 测试长文本与高并发稳定性用一段较长的文本连续请求 10 次观察是否出现超时、内存上涨、API 限流。import time for i in range(10): start time.time() result agent.invoke({messages: [{role: user, content: 请用100字解释什么是MCP协议}]}) print(f第{i1}次耗时{time.time() - start:.2f}s)这个测试能快速暴露模型服务的并发上限和你的代码是否有简单性能问题。如果每次都接近超时需要优化 Prompt 长度、缩短上下文、或者升级模型服务配置。6. 接口 API 与批量任务企业级实战中Agent 很少只跑在 Python 脚本里更多时候需要暴露接口给前端、后端或其他服务调用。这一节演示接口 API 调用和批量任务设计。6.1 启动接口服务前面已经用 FastAPI 写了一个最小服务。为了更接近企业场景给接口增加超时控制、请求日志和简单错误处理。import logging from fastapi import FastAPI from pydantic import BaseModel from agent import run logging.basicConfig(levellogging.INFO) logger logging.getLogger(agent-api) app FastAPI() class QueryBody(BaseModel): message: str thread_id: str default app.post(/agent) def agent_endpoint(body: QueryBody): logger.info(收到请求%s, body.message) try: reply run(body.message, body.thread_id) return {code: 0, reply: reply} except Exception as e: logger.exception(Agent调用失败) return {code: 500, message: str(e)}启动uvicorn main:app --host 0.0.0.0 --port 8600注意如果绑定0.0.0.0局域网内其他机器也可以访问。如果是在公网环境部署一定要加接口鉴权或放到网关后面。6.2 curl 测试接口curl -X POST http://127.0.0.1:8600/agent \ -H Content-Type: application/json \ -d {message: 请用一句话介绍 LangGraph, thread_id: test-001}预期返回 JSON{ code: 0, reply: LangGraph是一个用于构建有状态Agent应用的工作流编排框架。 }如果返回 500查看服务端日志。6.3 Python 调用接口实现批量任务批量任务是 Agent 工程化的常见需求。你可以写一个 Python 脚本从文件中读取多条问题逐条调用接口把结果写入输出目录。import requests import json import time from pathlib import Path input_file Path(data/input/questions.jsonl) output_dir Path(data/output) output_dir.mkdir(parentsTrue, exist_okTrue) url http://127.0.0.1:8600/agent headers {Content-Type: application/json} success_count 0 fail_count 0 with open(input_file, r, encodingutf-8) as f: for idx, line in enumerate(f): item json.loads(line) try: response requests.post(url, json{ message: item[question], thread_id: fbatch-{idx} }, timeout120) response.raise_for_status() result response.json() if result.get(code) 0: with open(output_dir / fresult_{idx}.txt, w, encodingutf-8) as out: out.write(result[reply]) success_count 1 else: fail_count 1 print(f第{idx}条业务失败{result}) except Exception as e: fail_count 1 print(f第{idx}条请求异常{e}) time.sleep(0.5) print(f完成成功{success_count}失败{fail_count})这里建议加入失败重试。一个简单的重试方案是请求异常时最多重试 3 次间隔指数递增。def request_with_retry(payload, retries3): for attempt in range(retries): try: resp requests.post(url, jsonpayload, timeout120) resp.raise_for_status() return resp.json() except Exception as e: print(f第{attempt1}次失败{e}) time.sleep(2 ** attempt) return {code: 500, message: 重试耗尽}6.4 使用 LangGraph 并行节点处理批量任务如果你的批量任务希望在一个 Agent 内部并行处理可以使用 LangGraph 的并行分支。简单来说可以在图中添加多个节点让它们共享输入并分别生成结果。这种方式的优点是可以并发调用多个工具或模型缺点是调试复杂度上升。并行分支的详细实现涉及子图和节点设计这里不展开优先建议先把串行批处理流程和接口服务跑通再考虑并发优化。7. 资源占用与性能观察7.1 显存占用观察如果你使用的是云端大模型 API模型推理发生在远端本地资源占用主要是 Python 进程、内存和网络开销。如果使用本地部署模型才需要重点观察显存。观察显存可以使用nvidia-sminvidia-smi可以隔几秒执行一次或者用watch -n 1 nvidia-smi持续观察。需要注意显存占用受模型量化等级、上下文长度、并发数、是否启用vLLM等影响。教程里给出的数字只能作为参考实际占用需要按你的环境和模型版本测试。7.2 内存占用LangChain LangGraph 项目如果只是简单调用 API内存占用通常不高。但如果你加载了大型文档、向量数据库、本地模型内存可能快速上涨。建议在批量任务时监控 Python 进程内存top -p $(pgrep -f uvicorn)如果内存持续增长考虑减少向量库中的文档数量。使用流式加载而不是一次性读入全部文档。批量任务增加限速和重置机制。7.3 分辨率、步数与批量数的影响在图像生成类项目中这些参数影响很大但在 LangChain/LangGraph 项目中影响性能的参数主要是模型上下文长度历史消息越长请求耗时越长。RAG 检索数量TopK 越大Prompt 越长模型输入 token 越多。工具数量绑定工具过多可能导致模型在工具选择阶段更慢。并发请求数过高会产生 API 限流或本地模型排队。嵌入向量维度越高向量检索耗时越长。如果觉得 Agent 响应慢先做输入输出耗时打点确认瓶颈在模型调用、检索还是工具调用。7.4 如何降低资源占用通用方法控制多轮对话的历史消息数量只保留最近几轮。RAG 检索使用更小的 TopK。本地模型优先使用量化版例如 4bit 量化。批量任务限速避免同时发起大量模型请求。接口服务增加超时和最大并发连接限制。8. 常见问题与排查方法这里整理了一份出现频率较高的问题清单按现象、可能原因、排查方式和解决方案整理。问题现象可能原因排查方式解决方案安装依赖时提示版本冲突Python 版本过低、pip 版本过旧、包之间相互依赖冲突检查pip check输出和 Python 版本升级 Python 到 3.10升级 pip必要时创建全新虚拟环境调用模型时报 API Key 无效API Key 未设置、设置错误或额度不足打印环境变量确认是否读取成功检查模型控制台重新配置环境变量确认模型服务权限Agent 不调用工具模型不支持 function calling、工具描述不清晰、工具选择逻辑有误查看日志中是否有工具调用请求和响应更换支持 tool calling 的模型优化工具名和描述启动 LangGraph 服务后页面打不开端口被占用、服务未启动、绑定地址问题查看启动日志、curl http://127.0.0.1:端口测试换端口或检查服务是否绑定在127.0.0.1RAG 回答质量差chunk 过大或过小、向量模型不匹配、检索结果不相关单独测试检索结果打印 TopK 内容调整 chunk 大小、重叠度更换 Embedding 模型API 请求超时模型服务响应慢、Prompt 过长、并发过高查看请求日志、单独压测模型接口缩短上下文、减少重试次数、增加超时时间批量任务中途卡住单条请求异常未处理、脚本无重试机制、网络中断检查日志中最后一条成功记录增加异常捕获、失败重试、断点续跑逻辑本地模型显存不足模型参数量过大、量化精度过高、并发请求过多nvidia-smi查看显存占用切换到更小模型或降低量化等级减少并发数输出内容不稳定温度参数过高、Prompt 不清晰、模型随机性固定温度、增加输出格式约束调整 temperature使用 JSON Mode 或 output parser9. 最佳实践与使用建议9.1 先从最小可运行版本开始第一次跑通 LangGraph Agent 时不要直接上复杂工作流。建议先用一个模型、一个工具、一个节点跑通流程再逐步加入条件路由、多节点、RAG、MCP 服务。最小可运行版本能帮你快速定位问题是在模型调用、工具调用还是图编排阶段。9.2 把配置和代码分离模型名、API Key、端口、TopK 这些参数应该放到配置文件或环境变量里。不要写死在代码中因为企业项目中不同环境往往需要不同的配置。model: provider: openai name: gpt-4o-mini temperature: 0.3 api_key_env: OPENAI_API_KEY agent: max_iterations: 10 system_prompt: 你是企业知识库助手 rag: top_k: 3 chunk_size: 500 chunk_overlap: 50通过一个简单的 YAML 读取函数加载配置import yaml from pathlib import Path def load_config(pathconfig/settings.yaml): with open(Path(path), r, encodingutf-8) as f: return yaml.safe_load(f)9.3 工具调用要加白名单和鉴权Agent 的工具越强大风险越高。如果 Agent 可以调用发送邮件、修改数据库、执行命令等工具生产环境至少要加权限验证。建议让 Agent 先生成操作意图由人工确认后再执行关键操作不要完全放开自动执行。9.4 日志是排查核心给 Agent 的每个节点、每次工具调用、每次模型请求都增加日志。特别是在 LangGraph 中你可以打印graph.get_state()或者自定义中间回调来输出每一步状态。from langchain_core.callbacks import BaseCallbackHandler class LogCallback(BaseCallbackHandler): def on_llm_start(self, serialized, prompts, **kwargs): print(LLM开始调用:, prompts) def on_tool_start(self, serialized, input_str, **kwargs): print(工具调用:, input_str)把日志输出到文件而不是只打印到控制台后面排查线上问题会非常方便。9.5 批量任务必须有断点续跑和失败重试批量任务跑了几百条后卡住、重启脚本又要从头开始这是很常见的问题。建议在脚本中记录已处理的索引或任务 ID每次启动时跳过已完成的任务。同时给每次请求增加唯一 ID便于日志追踪。result_file output_dir / results.jsonl done_ids set() if result_file.exists(): for line in result_file.open(r, encodingutf-8): done_ids.add(json.loads(line)[id])9.6 模型服务要留意限流和配额调用云端大模型 API 时注意查看模型的 RPM 和 TPM 限制。批量任务建议加一个简单的限速器控制每秒请求数import time class RateLimiter: def __init__(self, min_interval1.0): self.min_interval min_interval self.last_time 0.0 def wait(self): now time.time() wait_time self.min_interval - (now - self.last_time) if wait_time 0: time.sleep(wait_time) self.last_time time.time()这不是什么复杂方案但在批量任务里非常实用。10. 总结与下一步这套 LangChain LangGraph MCP Agent 技术栈核心价值不是某一个框架的 API而是让你有能力把大模型接入到真实业务系统中。LangChain 负责封装模型和工具LangGraph 负责工作流编排MCP 负责工具接入标准Agent 则是把这一切组合起来的最终形态。如果你现在刚入门建议按这个顺序来先跑通基础的 LangChain 模型调用和 Prompt 模板。再给 Agent 绑定 1 到 2 个工具测试工具调用。然后引入 LangGraph 的 StateGraph把流程变成可控的图。接着加入 RAG做知识库问答。最后接入 MCP Server把外部工具标准化接进 Agent。再封装接口 API接批量任务。最容易踩的坑集中在两块一是版本变更导致的 API 不兼容二是模型不支持工具调用但你没发现。遇到问题先看日志再看模型能力最后再怀疑代码逻辑。这套技术栈的学习资料和框架版本更新很快网上的教程需要结合官方文档一起看。你手头如果已经拿到“2026新版企业级实战全套教程”可以按照里面的章节顺序学习但不要只看不练更不要跳过环境准备和接口测试。先把最小案例跑通再逐步加复杂度比背 API 列表高效得多。部署好服务、验证完接口、跑完批量任务之后可以继续扩展的方向包括多 Agent 协作、长短期记忆、复杂的条件路由与并行子图、MCP Server 开发、以及把 Agent 服务接入到现有的业务系统里。这套技术栈的边界不在于框架本身而在于你想让 Agent 在你的业务里承担多少工作。