diff --git a/docs/.vitepress/theme/router/index.ts b/docs/.vitepress/theme/router/index.ts
index 614c61f..6a99aa5 100644
--- a/docs/.vitepress/theme/router/index.ts
+++ b/docs/.vitepress/theme/router/index.ts
@@ -49,6 +49,12 @@ export const routers = [
           { text: 'SQL高阶用法', link: '/Web/MySQL/SQL-Advance' }
         ]
       },
+      { 
+        text: '🤖 AI',
+        items: [
+          { text: '基于Langchain的Agent开发', link: '/Web/AI/Langchain' },    
+        ]
+      },
       { 
         text: '📶 Network',
         items: [
diff --git a/docs/Web/AI/Langchain.md b/docs/Web/AI/Langchain.md
new file mode 100644
index 0000000..d2ddcf0
--- /dev/null
+++ b/docs/Web/AI/Langchain.md
@@ -0,0 +1,174 @@
+---
+  title: 基于Langchain的Agent开发
+  date: 2026-05-28
+---
+
+# 一、简介
+  LangChain是一整个智能体开发平台，包含一系列开源的智能体（Agent）开发框架，而且兼容Python和TypeScript两种语言。   
+  Agent（通常翻译为智能体或代理）是指一种能够感知环境、进行推理、自主决策并采取行动以实现特定目标的智能系统。   
+
+# 二、模型
+## 2.1 模型定义
+  通用自定义模型`init_chat_model`：   
+```python
+# 初始化模型
+model = init_chat_model(
+    model="qwen-max", # 模型名称，这里可以自定义，我们用的是阿里的qwen-max
+    model_provider="openai",
+    base_url=base_url,
+    api_key=api_key,
+    temperature=1.5,
+)
+```
+
+  如果是Langchain不支持的模型，需要指定模型提供者（虽然我们用的是阿里，但是阿里兼容openai，所以这里用openai，就是默认采用openai的API规范）   
+
+::: tip
+init_chat_model还可以调整模型参数：  
+- temperature: 控制生成文本的随机性，值越小越确定，值越大越随机
+- max_tokens: 控制生成文本的最大长度
+- top_p: 控制生成文本的多样性，值越小越多样，值越大越确定
+- timeout: 控制生成文本的超时时间
+- max_retries: 控制生成文本的最大重试次数
+:::
+
+## 2.2 访问模型
+### 2.2.1 阻塞调用
+```python
+# 调用invoke方法
+response = model.invoke("中国的首都是哪里？")
+
+# 查看响应结果
+print(response)
+```
+
+### 2.2.2 流式调用
+```python
+# 通过.stream方法实现流式访问
+stream = model.stream("中国的首都是哪里？")
+
+# 遍历stream结果，实时打印AI的回复
+for chunk in stream:
+    print(chunk.content, end="", flush=True)
+```
+
+# 三、智能体
+## 3.1 创建智能体
+```python
+# 1.使用init_chat_model初始化模型
+model = init_chat_model(
+    model="qwen-max",
+    model_provider="openai",
+    base_url=base_url,
+    api_key=api_key,
+    temperature=1.5,
+)
+
+# 2.使用初始化好的model创建智能体
+agent = create_agent(model=model)
+```
+
+## 3.2 消息类型
+- SystemMessage：role是system，代表系统消息，用于设定模型角色和交互背景
+- HumanMessage：role是user，代表用户输入的消息
+- AIMessage：role是assistant，代表LLM生成的响应，包含：文本、工具调用、元数据
+- ToolMessage：role是tool，代表工具调用时产生的结果
+
+## 3.3 调用模型
+```python
+# 调用Agent，发送消息
+response = agent.invoke({
+    "messages": [
+        HumanMessage(content="你好，我是虎哥"),
+        AIMessage(content="你好，虎哥，很高兴认识你。"),
+        HumanMessage(content="我的名字是什么？")
+    ]
+})
+
+for message in response['messages']:
+    message.pretty_print()
+```
+
+# 四、提示词
+  发送给大模型的所有消息都可以称为提示词（Prompt），它直接影响模型的输出结果。  
+  其中，SystemMessage尤为重要，我们把SystemMessage称为系统提示词（System Prompt），它可以给模型设定角色和本次聊天的背景，对模型生成的内容有很大的影响。  
+  从内容来说，提示词通常包含以下几个部分，通常按此顺序排列： 
+- 身份（Identity）：描述AI的职责、沟通风格和总体目标。
+- 说明（Instructions）：请指导模型如何生成所需的响应。它应该遵循哪些规则？模型应该做什么，以及模型绝对不能做什么？
+- 示例（Examples）：提供可能的输入示例，以及模型期望的输出。
+- 背景信息（Context）：向模型提供生成响应所需的任何额外信息，例如RAG的额外知识库数据，或您认为特别相关的任何其他数据。   
+
+  例如写一个智能生成菜谱的提示词：  
+```python
+system_prompt = """
+你是一名私人厨师。收到用户提供的食材照片或清单后，请按以下流程操作：
+1.识别和评估食材：若用户提供照片，首先辨识所有可见食材。基于食材的外观状态，评估其新鲜度与可用量，整理出一份“当前可用食材清单”。
+2.智能食谱检索：优先调用 web_search 工具，以“可用食材清单”为核心关键词，查找可行菜谱。
+3.多维度评估与排序：从营养价值和制作难度两个维度对检索到的候选食谱进行量化打分，并根据得分排序，制作简单且营养丰富的排名靠前。
+4.结构化方案输出：把排序后的食谱整理为一份结构清晰的建议报告，要包含食谱信息、得分、推荐理由、食谱的参考图片，帮助用户快速做出决策。
+
+请严格按照流程，优先调用 web_search 工具搜索食谱，搜索不到的情况下才能自己发挥。
+"""
+```
+
+  提示词作为agent的参数传递：  
+```python
+agent = create_agent(model=model, system_prompt=system_prompt)
+```
+
+# 五、工具
+  一个完整的Agent至少要包含两个关键的部分：   
+- 模型：是Agent的大脑，负责推理、分析，规划任务步骤
+- 工具：是Agent的手脚，负责执行任务，与外界交互 
+
+  例如使用专门用于给Agent提供Web搜索的工具：Tavily
+```python
+# 初始化工具，并设置参数，具体参数设置参考官网
+tool = TavilySearch(
+    tavily_api_key=key,
+    max_results=5,
+    topic="general"
+)
+
+# 创建智能体，使用预定义工具tavily
+agent = create_agent(
+    model=model, 
+    tools=[tool],
+    system_prompt=system_prompt
+)
+```
+
+::: tip
+tavily_api_key可以通过访问官网免费获取。  
+:::  
+
+# 六、记忆
+  LangChain也提供了很多持久化存储的checkpointer，例如：
+- SqlLiteSaver ：基于sqlite存储
+- PostgresSaver ：基于Postgres存储
+- CosmosDBSaver ：使用Azure Cosmos DB的实现  
+
+## 6.1 SqlLiteSaver
+### 6.1.1 初始化
+```python
+# 初始化checkpointer
+checkpointer = SqliteSaver(sqlite3.connect("checkpoint.db", check_same_thread=False))
+# 自动建表
+checkpointer.setup()
+```
+
+### 6.1.2 配置
+```python
+# 创建agent
+agent = create_agent(
+    model=model, 
+    checkpointer=checkpointer,
+)
+
+agent.stream({"messages": [message]},
+            {"configurable": {"thread_id": thread_id}},
+            stream_mode="messages"
+):
+```
+
+  调用模型的时候需要传递`thread_id`。    
\ No newline at end of file