AI框架层包括三个核心框架：LangChain、LangGraph 和 MCP。它们构成了智能体运行的基本逻辑，是整个系统最重要的部分。

（1）LangChain：让智能体“会思考”

LangChain 是智能体的基石。它把大模型那种模糊的自然语言能力，转化为可控、可复用的工程结构。

LangChain 的几个关键模块如下：

• prompts / messages： 用来定义提示词逻辑和上下文结构。 例如你要让模型“像一个税务专家回答问题”，那就得通过系统 prompt 明确语气、口径、引用方式等。 Messages 则负责把对话历史串联起来，让模型记住之前的内容，形成连贯的对话。
• runnable： 把整个智能体的行为逻辑变成“可执行单元”。 这让你可以像编排代码一样，去控制模型执行的步骤，比如“先检索 → 再分析 → 最后总结”。
• output_parsers： 很多模型输出结果不规范（比如漏引号、格式混乱），这个模块能自动解析和清洗输出，保证结构化一致。
• tools / memory / agents： 三个模块是 LangChain 的核心。
  • tools 让智能体能调用外部工具，比如数据库、搜索引擎或浏览器；
  • memory 让它能记住历史状态；
  • agents 则负责决策——根据上下文选择使用哪个工具。

LangChain 之所以重要，在于它把“智能体”从一个单纯的聊天机器人，变成了一个可编排、可控制的决策执行系统。

落地建议：

在企业项目中，LangChain 应当被当成“业务智能中间层”来设计——

所有 prompt 模板、工具定义、决策逻辑都要模块化、可版本化管理。

不要把提示词写在脚本里，这会让维护变成噩梦。

（2）LangGraph：让智能体“能协作”

当你的系统里不止一个智能体时（例如有“数据获取 Agent”、“分析 Agent”、“汇报 Agent”），它们之间就需要协作机制。

这正是 LangGraph 的用武之地。

LangGraph 的核心概念包括：

• graph（图结构）：整个系统的任务流程。
• node / edge（节点与边）：每个节点代表一个智能体或工具调用，边代表它们之间的数据流向。
• state（状态）：用于记录当前任务进展和上下文信息。

LangGraph 让开发者可以“画”出整个智能体网络的执行图，实现任务流转、状态监控、容错回退等高级功能。

它特别适合多步骤、长链路任务，比如自动报告生成、流程审批、或多角色协作。

落地建议：

LangGraph 最好的实践方式是“先定义流程，再接入模型”。

不要让模型逻辑主导整个流程，否则容易失控。

先设计好节点职责、输入输出，再用模型填补智能部分。

（3）MCP：让智能体“能互通”

MCP，全称 Model Context Protocol，是智能体世界的“数据总线”。

它负责模型与外部环境之间的数据通信。

主要包括三种模式：

• stdio：最传统的输入输出方式，适合命令行环境；
• sse（Server-Sent Events）与 streamable_http：支持实时流式输出，比如网页端显示模型思考过程；
• MCP 市场（Marketplace）：未来可让开发者像安装插件一样接入新的工具或知识源。

它的价值在于统一通信标准。

以前每个 AI 工具、知识库、服务都要写一套独立接口，有了 MCP，这些模块都能通过同一协议连接。

落地建议：

企业在构建智能体平台时，一定要预留 MCP 接口层。

无论未来换模型、加新工具，系统都不需要重写主逻辑。