用途：本技能面向使用 LangChain 1.x 和 LangGraph 构建 LLM 应用的开发者，重点是智能体（Agent）、状态管理、记忆与工具集成。适用场景包括构建可调用工具的自主 AI 智能体、多步骤 LLM 工作流、会话记忆与状态管理、LLM 与外部数据和 API 集成、模块化可复用组件、文档处理管道以及生产级应用。
主要能力：包结构包括 langchain（1.2.x，高层编排）、langchain-core（核心抽象：消息、提示、工具）、langchain-community（第三方集成）、langgraph（智能体编排与状态管理），以及 langchain-openai、langchain-anthropic、langchain-voyageai、langchain-pinecone 等集成包。LangGraph 提供 StateGraph 显式类型化状态、持久执行、人类介入、短期与长期记忆、检查点保存与恢复；智能体模式有 ReAct、Plan-and-Execute、多智能体监督路由和工具调用。记忆实现含 ConversationBufferMemory、ConversationSummaryMemory、ConversationTokenBufferMemory、VectorStoreRetrieverMemory 和 LangGraph Checkpointers。文档处理含加载器、文本切分器、向量存储和检索器。LangSmith 用于可观测性，包括请求响应日志、Token 用量、延迟、错误和追踪可视化。
使用方式：可用 create_react_agent 快速创建 ReAct 智能体，先初始化 ChatAnthropic 等 LLM，再用 @tool 和 Pydantic schema 定义工具，并通过 MemorySaver 检查点实现记忆，以 thread_id 配置跨调用保持状态。状态用 TypedDict 或 MessagesState 定义。性能优化可用 RedisCache 配合 set_llm_cache 缓存、asyncio.gather 异步批处理，以及复用 Pinecone 客户端做连接池。测试可用 pytest 与 AsyncMock/patch 验证工具选择和记忆持久性。
限制：资料未说明该技能的具体安装命令或依赖版本之外的收费信息；部分描述（如“2026 年标准”“Claude Sonnet 4.6 推荐”）属原文表述，未提供更多验证依据。更详细的模式与示例见 references/details.md。