LangChain 与 LangGraph 项目如何写进简历和面试？

到这里，第五章就结束了。

不过，这一章和前面几章不太一样，那就是这一章没项目。。。

回顾一下整章的内容，咱们其实主要做的就是两件事：

• 第一：是使用 LangChain 和 LangGraph 重新理解 Agent 框架到底帮咱们解决了什么。
• 第二：从 createAgent() 开始，阅读源码，把 State 构建、Graph 编译、模型调用、Tool 执行和 Agent Loop 终止的整个串了起来。

所以，这一章的价值并不在于简历上又多了一个项目。

它真正解决的其实是：

• 第一：掌握 框架使用能力、Agent 架构判断和源码排查能力。
• 第二：面试被问到源码的东西，可以回答出来（现在有些大厂已经开始在卷源码了）

那么接下来，咱们先把第五章学过的内容捋一遍，再看这些东西到底咋写。

第五章都学了啥

第一小节是章介绍，这里就不单独回顾了。从第二小节开始。

02-Agent 框架应该怎么选

第五章一开始，咱们先是比较了模型 SDK、AI SDK、OpenAI Agents SDK、Mastra 和 LangChain 等不同方案。

这里要做的是明确不同的框架大致特点是什么。

原生模型 SDK 更接近模型接口，但是 Agent Loop、Tool 执行和状态管理都要自己实现。

LangChain 提供了完整的 Agent 开发入口，LangGraph 则让应用程序能够进一步控制 State、Node 和执行路径。

这一节还对照了 LangChain.js 和 LangChain Python 的最小 Agent 写法。两边的核心概念基本一致，区别主要来自语言生态、包结构和类型系统。

03-LangChain 的核心抽象

第三小节开始拆解 LangChain 最常用的几个对象：Chat Model、Message、Tool、Runnable 和 Integration Package。

Chat Model 统一不同模型的调用入口，Message 统一模型调用过程中的消息语义，Tool 用 Schem