6 篇博文 含有标签「AI Agent」

「我该用 LangChain 还是自己写 / 换别的？」——这是开始做 Agent 时最常见的纠结。这篇把 LangChain（JS） 和 pi-agent 摆在一起比：不是比谁的 API 漂亮，而是比它们对「Agent 应该由谁来管」这件事的答案。

为了不空谈，我给同一类任务（一个会调工具的查天气 Agent）在两边各写了一份代码并真跑起来：pi 侧用内置的 fauxProvider（不需要 key），LangChain 侧用真实模型端点（DeepSeek 的 Anthropic 兼容接口）。文中的事件序列、消息序列、最终回答都是真实输出。

版本：@earendil-works/pi-ai / pi-agent-core 0.85.1；langchain 1.5.11 / @langchain/langgraph 1.4.15（2026-09 npm 实测）。本站已有两个系列：pi-agent 系列、LangChain + LangGraph 系列。

在 LangGraph 入门 那篇里，我把 reducer 一笔带过：「(a,b)=>b 是覆盖，a.concat(b) 是追加」。但那只是两种写法，不是全部模式——真正的问题是：

同一个 key 被写入多次时，状态该怎么合？

这就是 reducer 要回答的唯一问题。这篇把它讲全：Annotation 的完整用法、reducer 的几种模式、它什么时候被调用、调用几次、以及我把每种行为都真实跑出来的结果（含两个报错，都是实测）。

声明：以下行为全部在 @langchain/langgraph 1.4.15（Node 24）跑出来的，输出是真实的。不同版本行为可能微调，以你的实际运行为准。

用 Coze（扣子）搭智能体时，第一道选择题就是模式：单 Agent（自主规划模式） 还是 单 Agent（对话流模式）。很多人凭感觉选，然后在做的过程中反复返工——要么「流程搭得死死的，模型完全没发挥」，要么「让模型自己决定，结果它乱调工具」。

这篇把两者的底层机制差异讲清楚，并给一张选型表和几个常见坑。

先排一个术语雷：「对话流模式」是「智能体的运行模式」之一；而「对话流（Chatflow）」本身是一种「编排类型」（与「工作流 Workflow」相对）。这两个轴经常被混为一谈——本文会分别讲清，因为它们影响的是不同的选择。

内容依据 Coze 官方文档与公开资料整理，平台版本迭代快、不同版本 UI 命名有差异，具体以你所用版本的官方文档为准。

「低代码」这个词已经被喊了十多年，从「人人都能开发」的许诺，到被程序员吐槽「复杂了就做不了」，再到 2021 年前后的祛魅与退烧。而到了 AI 时代，它换了个马甲又回来了——Dify、Coze Studio、n8n 这些「编排 LLM 和工具」的平台，本质上就是新一代低代码平台，只是画布上的节点从「表单、审批」换成了「大模型、工具、知识库」。

这篇聊三件事：低代码的发展史、它当下的真实现状，以及 AI 时代这几家代表平台各自是什么、怎么选。

文中多数市场数据来自公开报道，统计口径与时点不一（尤其 star 数），已在文中标注时点，引用时请以官方为准。判断类观点是我的个人看法，欢迎拍砖。

在写用前端技术栈写 Agent那几篇时，我把「工具调用循环」讲清楚了，但一直没单独讲它的出处。这个循环不是工程实践中自然长出来的，它有篇明确的论文：ReAct。

这篇把 ReAct 讲透：它是什么、为什么重要、格式长什么样，然后用零依赖的纯 Node 手写一个真的能跑的 ReAct 智能体。最后是重点——我在本机真实跑出来的四个坑，其中有两个非常隐蔽：一个是不报错、只是静默返回空，另一个是模型会伪造工具的返回结果，然后基于伪造值自信作答。

声明：本文所有代码均在本机真实运行，走 DeepSeek 的 Anthropic 兼容端点（deepseek-v4-flash，一个推理模型）。所有输出、stop_reason、token 数都是实测值，不是我编的示意。

很多人以为"强大的 AI Agent = 好模型 + 好 Prompt"。但实际上，模型之上还叠着一整套底层执行系统（Harness）：理解任务、维护对话记忆、调用工具、实时展示进度、处理失败、请求人类审批。这部分决定了 Agent 能不能真正"干活"，也决定了把 Agent 嵌进产品时的体验上限。

OpenAI 在开源仓库 openai/codex 里把这套 harness 的三个组件开放了出来，分层恰好对应三种不同的接入方式：

下面逐个过用法，代码片段可以直接跑。