Agent =，能够自主决策调用什么工具、如何执行任务。方式说明适用场景@tool装饰器简单快捷快速定义工具支持 Pydantic Schema需要详细参数描述MCP 工具标准化协议外部工具集成# 当消息超过 10 条时自动压缩。

[01-LangChain概述]] · [[02-Model-IO与模型调用]] · [[04-RAG检索增强]] · [[05-Agents智能体]]通过模板将变量插入 Prompt，创建灵活的提示词。LangChain 所有组件都实现了。

[01-LangChain概述]] · [[03-提示词模板与Chains]] · [[04-RAG检索增强]] · [[05-Agents智能体]]

方式 1：TypedDict（推荐）query: str方式 2：Pydantic BaseModel（带数据校验）query: str方式 3：Dataclass@dataclassquery: str5 步编程法：定义 State → 写 Node → 加边 → 编译 → 调用State 三大要点：TypedDict 定义、Reducer 合并、Checkpointer 持久化thread_i

GPT（Generative Pre-trained Transformer，生成式预训练 Transformer）是 OpenAI 开发的一系列基于 Transformer 解码器架构的大规模语言模型，也是当前人工智能领域最具影响力的技术成果之一。它通过 “预训练 + 微调” 的范式，在海量文本数据上学习语言规律，展现出了惊人的文本生成、理解和推理能力，彻底改变了自然语言处理（NLP）乃至整个

向量是对数据（文本、图像、音频）的数学化表示，本质是一组有序的浮点数 / 整数数组，用来量化数据的特征。维度：向量中元素的个数（如 768 维、1024 维）相似度：通过向量间的距离（欧氏距离、余弦相似度）衡量数据的相似程度场景向量选型快速原型、小知识库、通用语义检索仅稠密向量专业文档、法律 / 医疗知识库、电商搜索稀疏 + 稠密混合检索高 QPS、成本敏感、纯关键词匹配仅稀疏向量生产级 RAG

BERT（Bidirectional Encoder Representations from Transformers）是 Google 在 2018 年发布的一个预训练语言模型。你可以把 BERT 理解为一个已经读过海量书籍的"学霸"它已经学会了中文的语法、语义、上下文关系我们不需要从零教它理解中文，只需要在它的基础上进行"微调"（fine-tuning），让它学会我们特定的任务（判断好评/差

传统编程：程序员写规则 → 电脑按规则执行深度学习：程序员给数据 → 电脑自己学规则传统编程 = 你告诉小孩"有四条腿、会汪汪叫的是狗"深度学习 = 你给小孩看1000张狗的照片和1000张猫的照片，他自己学会分辨BERT= 一个已经学过中文的AI大脑（预训练模型）全名：Bidirectional Encoder Representations from Transformers（基于Transf

一句话说清楚：这就是 AI 翻译官的老师！前面我们准备好了：现在这个脚本就是老师，负责：这是整个机器翻译项目的最后一步，跑完这个脚本，你就得到了一个能真正翻译句子的 AI 模型。2.2 单轮训练函数 train_one_epoch这是整个脚本最核心的部分！ 它定义了老师怎么教学生学完一整本课本（遍历完所有训练数据一次）。最关键的一步：拆分解码器的输入和目标90% 的新手都会在这里卡壳！ 这是 “教

前面我们把中文和英文都变成了数字，又打包成了标准的批次。这是整个机器翻译项目最核心、最复杂的部分，也是 Transformer 架构的经典实现。