本文扩展了智能体应用功能，主要实现两部分内容：循环执行检测处理和人机交互工具集成。 循环检测与处理 实现is_stuck方法检测重复消息 通过handle_stuck_state添加提示信息 在run方法中集成循环检测逻辑 交互式AskHuman工具 定义Java版AskHuman工具类 使用@Tool注解标记方法 实现用户输入查询功能 最后还提到后续将参照Open Manus实现MCP集成。整体

AI知识库与RAG技术解析 本文探讨了AI为何需要知识库支持及RAG技术实现方案。AI依赖知识库可避免通用搜索的局限性，提供精准回答。RAG技术流程包括：文档收集处理、向量转换存储、文档检索排序及结果增强。关键组件涉及Embedding模型（实现语义向量转换）、向量数据库（高效存储查询）、召回率评估（衡量检索效果）、精排模型（提升结果相关性）及混合检索策略。文章最后提供了基于Spring AI的R

文档过滤和检索，也是RAG的核心特性之一，在进行向量转换和存储之后，需要通过文档过滤和检索，优化大模型回复的准确性。整个文档过滤和检索的过程，可以划分为检索前检索时检索后。

文章摘要： 本文探讨了AI智能体（Agent）的核心特性与关键技术。智能体具备自主决策、环境交互和目标导向三大特征，其发展从简单的聊天机器人演变为能自主分解任务、调用工具并返回结果的智能系统。关键技术包括： CoT思维链：通过分步推理（零样本/少样本引导）提升复杂任务处理的准确性与可解释性，适用于数学计算、逻辑分析等场景； Agent Loop：仿PDCA循环，实现“推理-行动-观察”的持续运转，

本文介绍了Spring AI中的查询增强和关联功能，重点解析了RetrievalAugmentationAdvisor和ContextualQueryAugmenter两种增强器的使用。RetrievalAugmentationAdvisor支持文档检索、过滤及查询重写等定制功能，通过示例代码展示了其基本用法。ContextualQueryAugmenter作为空上下文处理器，允许在没有匹配文档时

本文介绍了Spring AI中Prompt的概念及其模板化配置方法，以及如何自定义Advisor拦截器。主要内容包括： Prompt类型：分为用户提示词、系统提示词和助手提示词，分别对应不同角色； 模板化配置：通过PromptTemplate实现提示词的动态替换，支持从文件读取模板； Advisor机制：类似Spring AOP，支持在调用大模型前后进行拦截处理，内置日志、敏感词检测等功能； 自定

本文介绍了AI工具调用的核心机制。工具调用允许AI模型利用外部工具完成特定功能，但调用过程由客户端应用程序控制，确保安全性。文章详细阐述了工具调用的流程：AI分析用户需求后请求工具调用，应用程序执行并返回结果，再由AI生成最终回答。重点解析了工具定义的两种方式（注解式与编程式），以及工具回调接口ToolCallback的核心方法。此外，还介绍了工具上下文ToolContext的信息传递机制和Too

本文基于开源项目Open Manus的源码分析，整理了一个Java版智能体应用的开发框架。主要内容包括： 架构分析：Open Manus采用分层设计，核心模块包括Agent基类、工具层、沙箱环境等 BaseAgent实现：定义了智能体基本属性和运行流程，包括状态管理、记忆机制和核心run方法 ReActAgent扩展：继承BaseAgent并实现ReAct模式，通过think-act分离决策与执行

当 from 子句中有子查询时，table列是格式，表示当前查询依赖 id=N 的查询，于是先执行 id=N 的查询。因为一旦范围条件被处理，索引的扫描只能停止在范围条件的位置，因此后面的列（如 position）的条件必须通过其他方式处理，可能会导致索引的部分失效或者需要回表扫描。如果对索引列进行函数计算，例如截取，转换，也就是索引字段发生了改变，则在B+树的数据结构中就无法匹配，导致索引失效。

本文介绍了如何实现Spring AI Alibaba中对话上下文记忆的数据库持久化。主要内容包括： 分析了ChatMemory接口及其默认内存实现InMemoryChatMemory的局限性 提出了数据库持久化方案，设计了包含contextId、message等字段的数据表结构 采用Kryo进行消息对象的序列化/反序列化处理 实现了ChatMemory接口的三个核心方法： add()：将消息追加到