本篇启动两个本地服务：Qwen3 负责模型推理，Agent Server 负责运行 Graph、执行工具并提供 HTTP 接口。 最终需要验证的不只是“服务端口能访问”，还要确认模型真的生成了工具调用，工具结果也确实返回模型。 1. 依赖服

本篇开始搭建第一个 LangGraph 项目：安装 CLI，认识项目配置，再使用本地 Qwen3 和一个模拟天气工具创建最小 Agent。 这一步只完成项目和 Graph，不启动 Agent Server。服务启动和调试放到下一篇。 1.

LangChain 系列已经完成模型调用、提示词、结构化输出和聊天应用，RAG 系列又补齐了 Embedding、向量数据库与检索问答。到这里，程序可以完成多轮聊天和知识库问答，但执行路径仍然由代码提前写好：先改写问题，再检索文档，最后让模

上一篇文章已经实现了一条基础 RAG 链：用户提出问题，Retriever 从 Chroma 中找到相关文档，本地 Qwen3 再根据文档回答。 这条链可以回答“什么是任务分解？”，但是连续对话时还会遇到一个问题： 用户第一轮问“什么是任

前面已经完成了 Embedding、语义搜索和三种向量数据库的原生调用，但这些示例都停在“找出相似文本”这一步。 真正的 RAG 还要把检索结果交给大语言模型，让模型只根据外部知识回答问题。本文使用一篇公开网页、本地 Qwen3-Embed