随着大语言模型（LLM）应用的普及，围绕 AI Agent 的开发生态愈发成熟。现今已有诸多高度抽象化的框架和工具，开发者只需传入系统提示词（system prompt）和具体任务（task），即可快速搭建可用的智能体。然而，相较于依赖封装完备的框架，我更倾向于从底层出发，构建一个可控性更强、逻辑更清晰的完整 Agent 系统。
起初，我以“设计一个能帮助自己决定自驾游目的地的 Agent”为契机，着手开展这项探索。在过程中，我不仅梳理了从零开发 Agent 的关键路径，同时也深入分析了当前框架选型的利弊及实践中遇到的问题。
框架选型：LangChainGo 的初体验与挑战
由于希望了解 Agent 框架中 Prompt 构建、节点间数据流转等底层机制，我主动避开了过于抽象的解决方案，而是选择使用 Go 语言搭建系统。
曾经我写过一些与 LangChain 和 LangGraph 相关的项目，因此在语言选择上，我决定借此机会深入掌握 Go。然而，这也让我遭遇了不少“新手开发者常见的陷阱”：虽然 LangChain Go 在 GitHub 上拥有约 7000 颗 star，但文档严重缺失，示例代码难以正常运行，我甚至提交了两个 PR 来修复 tutorial 与 quickstart 中的错误。
此外，由于该项目演进迅速，API 结构频繁调整，加上 Gemini 或 OpenAI 等 AI 模型对这些代码库的学习大多基于历史版本，这导致 AI 在协助开发时容易输出过时或混乱的代码示例，进一步加剧了新手开发者的入门门槛。
流式返回之困：LangGraph 与 LangChain 设计理念的差异
我原计划使用 LangChain Go 完成整个项目。但出于稳定性和社区活跃度的考虑，起初并未考虑使用 LangGraph Go。直到回顾自己最初通过 LangGraph Academy 学习 AGI 编程的经历后，我意识到自己对其底层机制有更深入的理解，便开始重新评估这一框架的可行性。
我在转向 LangGraph 开发后遇到的第一个问题是对“流式返回”的误解。在多数应用中，LLM 的返回结果通常以流式方式呈现，因此我理所当然地期望在 Agent 的节点间也能实现类似机制。
但实践中我发现：
- 当调用 Reasoning 模型时，无法获取其思考过程的流式输出；
- 即便调用完成，也无法及时获得
ReasoningContent，只能在invoke全部结束后一次性返回结果。
- 即便调用完成，也无法及时获得
这一问题令我反复权衡是否要放弃思考链的展示逻辑。虽然对“推荐旅游路线”这类应用场景而言，过程并非关键，但我仍希望在架构上实现更高的透明度和控制力。
深入对比之后我意识到：这是 LangChain 与 LangGraph 在设计理念上的核心分歧。LangGraph 将每个节点视为独立计算单元，因此天然支持思考过程的流式输出；而 LangChain 更强调完整性和结构化，不适合拆解中间状态。
如果开发者对过程可视化、流式反馈有明确需求，LangGraph 无疑是更优的选择。
ReAct 节点的应用：提升效率，也埋下隐患
在 LangChain 的使用过程中，我曾为以下问题耗费大量精力：
- • 工具（Tool）如何注册并调度？
- • 多任务如何分发至不同子 Agent？
- • 节点失败时如何恢复？
这些调度逻辑极大增加了代码复杂性，直到我开始使用 LangGraph 的ReAct Node。该节点通过封装推理与工具调用逻辑，有效减少了样板代码，使我得以将精力集中在业务规则与 ToolNode 的开发上。
我原本预想：一个 ReAct 节点可以执行一个小型子图，例如包含“交通推荐”与“景点规划”的双 Agent 架构，并借助 MCP Server 实现信息获取与处理的自动化。然而实践中仍面临两个显著问题：
1. 输入信息冗余带来的上下文污染
在 ReAct 节点内部，所有上下文会被一并传入模型调用。这种“过载输入”常导致 AI 对任务的理解失真，尤其在缺乏对场景进行精细 prompt 调优时，容易出现回答偏离、任务失败等问题。
2. 输出行为不确定性带来的流程错误
ReAct 节点的最后返回始终是一个AI Message，若 prompt 指定应返回ToolCall，则 AI 可能返回空对象。这与多数框架中使用message.getType === 'tool'的判断逻辑相悖，进而使 Router 无法正确读取下一个行动指令。
由于这一点，我曾尝试反复通过 Gemini 修改生成代码以适配预期逻辑，但始终无法解决问题。这很可能是由于 ReAct 节点内部结构在持续演变，加之 AI 的幻觉干扰，导致行为不可预测。
直到我在阅读文档时看到一条关键提示：
ReAct 节点本质上是一个封装的 SubGraph，开发者无需关注中间每一步工具调用或 AI Message，只需处理最终返回的 AI Message。
这个认识的转变，彻底改变了我对 LangGraph 开发中子图划分与流程组织的认知。
关于 AI 编程的几点反思
作为 Cursor 的早期用户，我清晰感受到 LLM 在代码生成方面的持续进化。在简单场景中，如天气卡片等任务，AI 已可实现“一次返回、即可运行”。
但这也引发了我对自身开发效率的反思：
- 代码能力的退化：过去一两周，我几乎不再主动编写代码，仅在 Gemini 输出错误时才调试修复，逐渐失去了对代码细节的敏感度。
- 开发周期的延长：尽管 AI 编码减少了敲键时间，但由于生成内容常不符合业务对象设计原则，冗余和重复不可避免。即使使用 memory-bank 或协定协议，也难以彻底解决上下文飘移与接口不一致的问题。
在实践中，我逐渐意识到：借助 Copilot 提供函数签名，自己完成实现逻辑，往往才是效率与质量的平衡点。
结语：从框架、AI 到人自身的演进
Agent 无疑是未来的重要方向。无论是工具层框架，还是 AI 编码助手，当前仍处于“混沌期”，距离真正的“开发流程托管”还有很长的路要走。
对我而言，这段从底层动手、再到框架重选、再到交互与调度优化的旅程，是一次深刻的能力沉淀。在未来的实践中，我会更加重视：
- • 框架设计理念的适配性；
- • 人与 AI 分工边界的动态调整；
- • Prompt 与数据结构的通用化与控制能力。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你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！
02适学人群
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。
vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
