夜雨聆风一个完整的Agent系统包含模型接口、工具调用、记忆管理、规划推理四大模块。工具链的使命是简化这些模块的集成，让开发者聚焦业务逻辑。
当前工具链面临三大挑战：碎片化严重，不同框架抽象层次、编程语言和适用场景差异巨大；中文支持不足，前沿框架的文档和模型优化仍以英文为主；高度封装与定制空间难以平衡。
理解各工具链的定位，是做出合理选择的前提。
LangChain：事实标准与中文生态
LangChain通过链式调用、代理和工具等抽象，显著降低了LLM应用开发门槛。2025年LangChain已发展出两个主要版本：Python生态的langchain和全TypeScript重塑的langchain.js，同时推出LangGraph构建有状态多参与者Agent系统。
核心模块
工具调用内置大量预置工具，也支持@tool装饰器快速自定义。最新的ToolNode抽象让工具执行更可靠。
记忆系统从简单的对话缓冲到Zep、Mem0等高级长期记忆方案，提供渐进式管理能力。规划推理支持ReAct、Plan-and-Execute等经典Agent模式，可用create_react_agent快速构建。
中文适配建议
LangChain官方文档有社区中文翻译，但中文Agent范例和模型适配仍有断层。LangChain-ChatGLM项目专门优化了ChatGLM、Qwen等国产大模型的工具调用。LangChain中文社区提供了大量中文教程、示例和预置工具集。
对于中文场景，建议优先选择TypeScript版本，在处理中文多字节字符和流式输出上表现更佳。
MCP Server：连接外部世界的开放协议
如果说LangChain是Agent的大脑，MCP（Model Context Protocol）就是Agent的神经系统。MCP由Anthropic于2024年底提出，标准化LLM应用与外部数据源、工具的连接方式。采用客户端-服务器架构，允许开发者通过统一协议暴露任意资源给Agent。
核心价值
标准化摆脱了每个Agent框架自定义插件体系的困境，实现一次编写到处运行。权限边界清晰定义，避免Agent越权操作。MCP Server还可以推送上下文变更，使Agent能响应动态环境。
中文场景实践
搭建MCP Server通常只需几十行代码。百度搜索、高德地图、中文知识库等服务的预置MCP Server已经可以在MCP中文市场获取。MCP协议仍在快速迭代，建议关注官方spec更新，优先选择TypeScript SDK获得更好的类型安全。
AgentStack：全栈构建平台
AgentStack是2025年涌现的一站式Agent开发平台，定位比LangChain更高抽象层，目标让非AI专家也能快速构建生产级Agent。内聚模型管理、工具集成、评估监控全生命周期功能。
差异化优势
可视化编排通过拖拽式界面设计Agent工作流，自动生成可执行配置。原生支持Agent间的层次化委派和并行协作。从界面到模型适配均提供第一方中文支持，尤其适合国内企业快速落地。
适用场景
对于中小团队或无专职AI工程师的组织，AgentStack能显著缩短开发周期。其内置的LLM工具调用模板覆盖大部分中文互联网场景。但高度封装可能限制深度定制，需要极端灵活性的项目反而会变成负担。
其他值得关注的框架
AutoGen（微软）：主打多Agent对话，集成代码执行能力，适合复杂协作场景。
CrewAI：基于角色扮演的多Agent编排，语法简洁，文档友好。
Semantic Kernel（微软）：轻量级SDK，深度融入.NET和Azure生态，对C#开发者友好。
Dify：开源LLM应用开发平台，国内团队打造，提供可视化编排和大量中文模板。
中文AI Agent开发场景下，Dify和AgentStack在中文支持上最为完善。团队技术栈偏向微软生态则可选择Semantic Kernel。
选型评估四维度
团队技术能力：熟悉Python选LangChain，学习曲线平缓。偏爱全栈TypeScript选LangChain.js或AgentStack。
项目复杂度：简单任务链用LangChain的AgentExecutor即可。涉及复杂状态管理或多Agent协作，LangGraph或AgentStack更合适。
可维护性：MCP标准化能减少技术债。内部已有RESTful API体系时，直接封装工具可能更快捷。
中文生态成熟度：优先选择有中文文档、社区和预置中文工具的框架，降低踩坑成本。
综合而言，LangChain加MCP的组合是目前最灵活、社区支持最强大的方案，适合多数团队。追求极致开发效率的可以尝试AgentStack或Dify。
自建Agent的核心实现步骤
定义规划器
规划器负责将用户任务分解为步骤，决定调用哪些工具。简单实现可以直接用LLM生成JSON格式的行动计划。
实现ReAct工具调用循环
思考：模型分析当前状态决定下一步行动。行动：调用具体工具。观察：获取工具返回结果。重复直到任务完成或达到最大步数。
工具调用环节需处理函数签名解析、参数序列化和错误重试。使用OpenAI的Function Calling或类似机制可以提升可靠性。
集成记忆系统
短期记忆使用消息列表。长期记忆需将关键信息存储到向量数据库或知识图谱中。中文场景选择支持中文分词的嵌入模型（如bge-large-zh）至关重要。
加入安全护栏
输入输出过滤、工具权限控制（参考MCP的scope设计）、人类介入审核节点，三项缺一不可。
10分钟动手：搭建最小MCP Server
确保本机安装Node.js运行环境。
mkdir hello-mcp && cd hello-mcp && npm init -ynpm install @modelcontextprotocol/sdk写一个30行的index.js：暴露一个"查询今日天气"的工具，返回固定的模拟数据。用MCP Inspector工具连接测试。
10分钟内就能理解MCP Server的请求-响应基本流程。
术语表
MCP：Model Context Protocol，Anthropic提出的开放协议，标准化LLM应用与外部工具、数据源的连接方式。
LangGraph：LangChain推出的有状态多Agent编排框架，基于状态机管理复杂工作流。
ReAct模式：Reasoning + Acting，Agent交替执行推理步骤和行动步骤的经典工作模式。
Dify：国内团队开发的开源LLM应用开发平台，提供可视化编排和中文生态优化。
AgentStack：一站式全栈Agent开发平台，提供中文深度优化和拖拽式工作流编排。